山崎康の研究
文A 2言語
This article is an outline. It will be expanded only with confirmed details.
山崎康の研究では、山崎康が大学で取り組んできた研究および研究上の関心について記述する。
主な関心は、木やグラフなどの構造を持つデータから規則や特徴を発見し、それらを機械学習によって扱うことにある。学部では木構造データのパターン発見を扱い、大学院ではグラフニューラルネットワークなど、より一般的なグラフ構造と機械学習を組み合わせる研究への展開を検討している。
背景[編集]
山崎が機械学習を専門的に学び始めたのは大学進学後である。
当初は線形回帰などの基本的なモデルから学習を開始し、データから規則性を推定できることに興味を持った。その後、ニューラルネットワーク、画像認識、強化学習、生成モデルなどへ学習範囲を広げた。
一方で、機械学習モデルの性能だけではなく、「なぜその結果になるのか」「データ同士の関係をどのように表現するか」といった問題にも関心を持つようになった。
For the main biographical article, see 山崎 康.
木構造データ[編集]
学部研究では木構造を持つデータを対象としている。
木構造は、ノードとそれらを結ぶ辺によって構成されるデータ構造であり、階層的な関係を自然に表現できる。
山崎の研究では、無順序木や変数付き木パターンなどを扱い、複数の木構造データに共通して現れる構造や規則を発見する問題に取り組んでいる。
通常の表形式データでは各サンプルを固定長の特徴量として扱えるのに対し、木やグラフでは要素間の接続関係そのものが情報となる。この違いが、後のグラフ機械学習への関心につながった。
パターン発見[編集]
構造データからのパターン発見では、単に同じ値が頻繁に現れるかだけではなく、どのような構造として現れるかを考慮する必要がある。
木構造の場合、部分木や変数を含むパターンを利用することで、複数のデータに共通する構造をより抽象的に表現できる。
山崎はこのような「個々の要素ではなく関係や構造を学習する」という考え方に関心を持っている。
グラフへの展開[編集]
木はグラフの一種であるが、一般的なグラフでは木よりも複雑な接続関係を表現できる。
SNSのユーザー関係、交通網、化学分子、Webページ間のリンク、知識グラフなど、現実世界の多くのデータはグラフとして表現できる。
このため、大学院では学部で扱った構造データの知識を基礎として、より一般的なグラフ構造へ研究対象を広げることを検討している。
グラフニューラルネットワーク[編集]
グラフニューラルネットワークは、グラフ上のノードや辺、その接続関係を利用して学習を行うニューラルネットワークの一群である。
山崎は、GNNが単に各データ点の特徴量だけを見るのではなく、「何と何が接続されているか」という構造を利用する点に関心を持つ。
特に、欠損を含むグラフ、時間とともに変化するグラフ、モデルの予測根拠の説明などは研究候補として関心を持っている。
説明可能AI[編集]
機械学習モデルが複雑になるにつれて、予測精度だけではなく、その予測がどのような情報によって生じたかを理解することも重要になる。
山崎は説明可能AIにも関心を持っており、特にグラフニューラルネットワークにおいて、どのノード、辺、部分構造が予測へ影響したかを説明する問題に興味を持つ。
研究観[編集]
山崎は、機械学習を単なるブラックボックスとして利用するよりも、その背後にある数学やデータ構造を理解することに関心を持つ。
一方で、理論のみを目的とするのではなく、ソフトウェア開発や実際のデータへの応用にも興味を持っている。
このため、研究と個人開発は完全に同一ではないものの、「データから意味のある構造を見つけ、それを人が利用できる形にする」という点で互いに影響している。