Satoshi HARA
| Department of Informatics | Professor |
| Cluster I (Informatics and Computer Engineering) | Professor |
Researcher Information
Career
- May 2024 - Present
The University of Electro-Communications, Graduate School of Informatics and Engineering, Professor, Japan - Apr. 2020 - Apr. 2024
Osaka University, The Institute of Scientific and Industrial Research, Associate Professor, Japan - Sep. 2017 - Mar. 2020
Osaka University, The Institute of Scientific and Industrial Research, Assistant Professor, Japan - Apr. 2016 - Aug. 2017
National Institute of Informatics, JST ERATO 河原林巨大グラフプロジェクト, 特任助教, Japan - Apr. 2013 - Mar. 2016
IBM Research Tokyo, 研究員, Japan
Educational Background
- Apr. 2010 - Mar. 2013
Osaka University, Graduate School of Engineering, Division of Electrical, Electronic and Information Engineering, Japan - Apr. 2008 - Mar. 2010
Tokyo Institute of Technology, Graduate School of Information Science and Engineering, Department of Computer Science, Japan - Apr. 2004 - Mar. 2008
Waseda University, School of Science and Engineering, 応用物理学科, Japan
Research Activity Information
Award
- Dec. 2024
The 16th Asian Conference on Machine Learning
Fast Stealthily Biased Sampling Using Sliced Wasserstein Distance
Best Paper Award, Yudai Yamamoto;Satoshi Hara - Nov. 2022
第25回情報論的学習理論ワークショップ（IBIS2022）
決定木学習の安定化
ベストプレゼンテーション賞, 原聡;吉田悠一 - Nov. 2019
第22回情報論的学習理論ワークショップ（IBIS2019）
SGDの挙動解析に基づくデータクレンジング
ベストプレゼンテーション賞, 原聡;二反田篤史;前原貴憲 - Jul. 2016
人工知能学会
機械学習を用いた量子状態異常検知
全国大会優秀賞, 原聡
Paper
- Path-Specific Counterfactual Fairness via Dividend Correction
Daisuke Hatano; Satoshi Hara; Hiromi Arai
Transactions on Machine Learning Research, Mar. 2025, Peer-reviwed, True
Scientific journal, English - Enhancing constituent estimation in nucleic acid mixture models using spectral annealing inference and MS/MS information
Taichi Tomono; Satoshi Hara; Junko Iida; Takashi Washio
Frontiers in Analytical Science, Frontiers Media SA, 5, 20 Feb. 2025, Peer-reviwed, True
Scientific journal, English - Data Cleansing for GANs
Naoyuki Terashita; Hiroki Ohashi; Satoshi Hara
Last, IEEE Transactions on Neural Networks and Learning Systems, Institute of Electrical and Electronics Engineers (IEEE), 1-14, Jan. 2025, Peer-reviwed, True
Scientific journal, English - Fast Stealthily Biased Sampling Using Sliced Wasserstein Distance
Yudai Yamamoto; Satoshi Hara
Last, The Asian Conference on Machine Learning, Dec. 2024, Peer-reviwed
International conference proceedings, English - Active model selection: A variance minimization approach
Satoshi Hara; Mitsuru Matsuura; Junya Honda; Shinji Ito
Lead, Machine Learning, Springer Science and Business Media LLC, 21 Nov. 2024, Peer-reviwed
Scientific journal, English - Prediction of the binding energy of self interstitial atoms in alpha iron by a graph neural network
Tomohisa Kumagai; Kazuma Suzuki; Akiyoshi Nomoto; Satoshi Hara; Akiyuki Takahashi
Materialia, Elsevier BV, 33, 101977-101977, Mar. 2024, Peer-reviwed
Scientific journal, English - A Bayesian approach for constituent estimation in nucleic acid mixture models
Taichi Tomono; Satoshi Hara; Yusuke Nakai; Kazuma Takahara; Junko Iida; Takashi Washio
Frontiers in Analytical Science, Frontiers Media SA, 3, 08 Jan. 2024, Peer-reviwed, Mass spectrometry (MS) is a powerful analytical method used for various purposes such as drug development, quality assurance, food inspection, and monitoring of pollutants in the environment. In recent years, with the active development of antibodies and nucleic acid-based drugs, impurities with various modifications are produced. These can lead to a decrease in drug stability, pharmacokinetics, and efficacy, making it crucial to differentiate these impurities. Previously, attempts have been made to estimate the monoisotopic mass and ion amounts in the spectrum generated by electrospray ionization (ESI). However, conventional methods could not explicitly estimate the number of constituents, and discrete state evaluations, such as the probability that the number of constituents is k or k+1, were not possible. We propose a method where, for each possible number of constituents in the sample, mass spectrometry is modeled using parameters like monoisotopic mass and ion counts. Using Simulated Annealing, NUTS, and stochastic variational inference, we determine the parameters for each constituent number model and the maximum posterior probability. Finally, by comparing the maximum posterior probabilities between models, we select the optimal number of constituents and estimate the monoisotopic mass and ion counts under that scenario.
Scientific journal, English - Rule Mining for Correcting Classification Models
Hirofumi Suzuki; Hiroaki Iwashita; Takuya Takagi; Yuta Fujishige; Satoshi Hara
2023 IEEE International Conference on Data Mining (ICDM), IEEE, 3, 1331-1336, 01 Dec. 2023, Peer-reviwed
International conference proceedings - Average Sensitivity of Decision Tree Learning
Satoshi Hara; Yuichi Yoshida
Lead, The International Conference on Learning Representations, May 2023, Peer-reviwed
International conference proceedings, English - Fooling SHAP with Stealthily Biased Sampling
Gabriel Laberge; Ulrich Aïvodji; Satoshi Hara; Mario Marchand; Foutse Khomh
The International Conference on Learning Representations, May 2023, Peer-reviwed, with international co-author(s)
International conference proceedings, English - Bayesian optimization-driven parallel-screening of multiple parameters for the flow synthesis of biaryl compounds
Masaru Kondo; H. D.P. Wathsala; Mohamed S.H. Salem; Kazunori Ishikawa; Satoshi Hara; Takayuki Takaai; Takashi Washio; Hiroaki Sasai; Shinobu Takizawa
Communications Chemistry, 5, 1, Dec. 2022, Peer-reviwed
Scientific journal, English - Search strategy for rare microstructure to optimize material properties of filled rubber using machine learning based simulation
Takashi Kojima; Takashi Washio; Satoshi Hara; Masataka Koishi
Computational Materials Science, Elsevier, 204, 111207-111207, Mar. 2022, Peer-reviwed, True
Scientific journal, English - Explainable and Local Correction of Classification Models Using Decision Trees
Hirofumi Suzuki; Hiroaki Iwashita; Takuya Takagi; Keisuke Goto; Yuta Fujishige; Satoshi Hara
Proceedings of the 36th AAAI Conference on Artificial Intelligence, Feb. 2022, Peer-reviwed, True
International conference proceedings, English - Energy-, time-, and labor-saving synthesis of α-ketiminophosphonates: machine-learning-assisted simultaneous multiparameter screening for electrochemical oxidation
Masaru Kondo; Akimasa Sugizaki; Md. Imrul Khalid; H. D. P. Wathsala; Kazunori Ishikawa; Satoshi Hara; Takayuki Takaai; Takashi Washio; Shinobu Takizawa; Hiroaki Sasai
Green Chemistry, Royal Society of Chemistry (RSC), 23, 16, 5825-5831, Jun. 2021, Peer-reviwed, True
Scientific journal, English - Evaluation of Similarity-based Explanations
Kazuaki Hanawa; Sho Yokoi; Satoshi Hara; Kentaro Inui
The International Conference on Learning Representations, May 2021, Peer-reviwed, True
International conference proceedings, English - Synthesis of computer simulation and machine learning for achieving the best material properties of filled rubber
Takashi Kojima; Takashi Washio; Satoshi Hara; Masataka Koishi
Scientific Reports, Springer Science and Business Media LLC, 10, 1, Dec. 2020, Peer-reviwed, True
Scientific journal, English - Erratum: Exploration of flow reaction conditions using machine-learning for enantioselective organocatalyzed Rauhut-Currier and [3+2] annulation sequence (Chem. Commun. (2020) 56 (1259-1262) DOI: 10.1039/C9CC08526B)
Masaru Kondo; H. D.P. Wathsala; Makoto Sako; Yutaro Hanatani; Kazunori Ishikawa; Satoshi Hara; Takayuki Takaai; Takashi Washio; Shinobu Takizawa; Hiroaki Sasai
Chemical Communications, Royal Society of Chemistry, 56, 81, 12256, 18 Oct. 2020, The authors regret that there was an error in Fig. 2 in the original article. The scale for the flow rate in Fig. 2a was incorrect. The correct version of the figure is presented here. This does not affect the results or conclusions of the article. There were also some errors in the Supplementary Information. These have now been corrected in an updated version which is available online. (Figure presented) The Royal Society of Chemistry apologises for these errors and any consequent inconvenience to authors and readers.
Scientific journal, English - Interpretable Companions for Black-Box Models
Danqing Pan; Tong Wang; Satoshi Hara
Corresponding, Proceedings of the 23rd International Conference on Artificial Intelligence and Statistics (AISTATS'20), 2444-2454, Aug. 2020, Peer-reviwed, True, with international co-author(s)
International conference proceedings, English - Faking Fairness via Stealthily Biased Sampling
Kazuto Fukuchi; Satoshi Hara; Takanori Maehara
Proceedings of the 34th AAAI Conference on Artificial Intelligence (AAAI'20), Feb. 2020, Peer-reviwed, True
International conference proceedings, English - Efficient prediction of flow reaction conditions using machine-learning for sequential Rauhut-Currier and [3+2] annulation
Masaru Kondo; H.D.P. Wathsala; Makoto Sako; Yutaro Hanatani; Kazunori Ishikawa; Satoshi Hara; Takayuki Takaai; Takashi Washio; Shinobu Takizawa; Hiroaki Sasai
Chemical Communication, 8, 56, 1259-1262, Dec. 2019, Peer-reviwed, True
Scientific journal, English - Quantile Regression Approach to Conditional Mode Estimation
Hirofumi Ohta; Kengo Kato; Satoshi Hara
Electronic Journal of Statistics, 13, 2, 3120-3160, 2019, Peer-reviwed, True
Scientific journal, English - Data Cleansing for Models Trained with SGD.
Satoshi Hara; Atsuhi Nitanda; Takanori Maehara
Lead, Advances in Neural Information Processing Systems 32 (NeurIPS'19), 2019, Peer-reviwed, True
International conference proceedings, English - SPoD-Net: Fast Recovery of Microscopic Images Using Learned ISTA
Satoshi Hara; Weichih Chen; Takashi Washio; Tetsuichi Wazawa; Takeharu Nagai
Lead, Proceedings of the 11th Asian Conference on Machine Learning (ACML'19), PMLR, 694-709, 2019, Peer-reviwed, True, with international co-author(s)
International conference proceedings, English - Convex Hull Approximation of Nearly Optimal Lasso Solutions
Satoshi Hara; Takanori Maehara
Lead, Proceedings of 16th Pacific Rim International Conference on Artificial Intelligence, Part II, 350-363, 2019, Peer-reviwed, True
International conference proceedings, English - Fairwashing: the risk of rationalization
Ulrich Aïvodji; Hiromi Arai; Olivier Fortineau; Sébastien Gambs; Satoshi Hara; Alain Tapp
Proceedings of the 36th International Conference on Machine Learning (ICML'19), 161-170, 2019, Peer-reviwed, True, with international co-author(s)
International conference proceedings, English - Enumeration of Distinct Support Vectors for Interactive Decision Making.
Kentaro Kanamori; Satoshi Hara; Masakazu Ishihata; Hiroki Arimura
CoRR, abs/1906.01876, 2019, Peer-reviwed
Scientific journal - Approximate and Exact Enumeration of Rule Models.
Satoshi Hara; Masakazu Ishihata
Lead, Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence, New Orleans, Louisiana, USA, February 2-7, 2018, AAAI Press, 3157-3164, 2018, Peer-reviwed, True
International conference proceedings, English - Consistent Nonparametric Different-Feature Selection via the Sparsest $k$-Subgraph Problem
Satoshi Hara; Takayuki Katsuki; Hiroki Yanagisawa; Masaaki Imaizumi; Takafumi Ono; Ryo Okamoto; Shigeki Takeuchi
31 Jul. 2017
Scientific journal - Consistent and Efficient Nonparametric Different-Feature Selection
Satoshi Hara; Takayuki Katsuki; Hiroki Yanagisawa; Takafumi Ono; Ryo Okamoto; Shigeki Takeuchi
ARTIFICIAL INTELLIGENCE AND STATISTICS, VOL 54, MICROTOME PUBLISHING, 54, 130-138, Apr. 2017, Peer-reviwed
International conference proceedings, English - Enumerate Lasso Solutions for Feature Selection
Satoshi Hara; Takanori Maehara
Proceedings of the 31st AAAI Conference on Artificial Intelligence (AAAI'17), 1985-1991, Feb. 2017, Peer-reviwed
International conference proceedings, English - Finding Alternate Features in Lasso
Satoshi Hara; Takanori Maehara
Proceedings of NIPS 2016 Workshop on Interpretable Machine Learning for Complex Systems, Dec. 2016, Peer-reviwed
International conference proceedings, English - Making Tree Ensembles Interpretable
Satoshi Hara; Kohei Hayashi
Proceedings of the 2016 ICML Workshop on Human Interpretability in Machine Learning (WHI 2016), 81-85, Jun. 2016, Peer-reviwed
International conference proceedings, English - A Consistent Method for Graph Based Anomaly Localization
Satoshi Hara; Tetsuro Morimura; Toshihiro Takahashi; Hiroki Yanagisawa; Taiji Suzuki
Proceedings of the 18th International Conference on Artificial Intelligence and Statistics (AISTATS'15), 333-341, May 2015, Peer-reviwed
International conference proceedings, English - PREDICTING HALFWAY THROUGH SIMULATION: EARLY SCENARIO EVALUATION USING INTERMEDIATE FEATURES OF AGENT-BASED SIMULATIONS
Satoshi Hara; Rudy Raymond; Tetsuro Morimura; Hidemasa Muta
PROCEEDINGS OF THE 2014 WINTER SIMULATION CONFERENCE (WSC), IEEE, 334-+, 2014, Peer-reviwed
International conference proceedings, English - Separation of stationary and non-stationary sources with a generalized eigenvalue problem
Satoshi Hara; Yoshinobu Kawahara; Takashi Washio; Paul von Buenau; Terumasa Tokunaga; Kiyohumi Yumoto
NEURAL NETWORKS, PERGAMON-ELSEVIER SCIENCE LTD, 33, 7-20, Sep. 2012, Peer-reviwed
Scientific journal, English - Direct density ratio estimation with dimensionality reduction
Masashi Sugiyama; Satoshi Hara; Paul Von Bünau; Taiji Suzuki; Takafumi Kanamori; Motoaki Kawanabe
Proceedings of the 10th SIAM International Conference on Data Mining, SDM 2010, 595-606, 2010, Peer-reviwed
International conference proceedings, English
MISC
- スライスワッサースタイン距離を用いた高速なStealthily Biased Sampling
山本雄大; 原聡
May 2024, 2024年度人工知能学会全国大会, Japanese, Summary national conference - 低分散で省メモリな勾配推定のためのForward Gradientと誤差逆伝播法の結合
寺下直行; 原聡
May 2024, 2024年度人工知能学会全国大会, Japanese, Summary national conference - 細胞の構造的特徴の機械学習による視覚的抽出
清末優子; 五味渕由貴; 安永卓生; 鷲尾隆, 原聡
May 2024, 2024年度人工知能学会全国大会, Japanese, Summary national conference - レベル集合推定に基づく機械学習モデルの能動的評価
落合拓真; 瀬野圭一朗; 松井孝太; 原 聡
Sep. 2023, 情報論的学習理論と機械学習研究会（IBISML）, Japanese, Summary national conference - 限界貢献を利用した不公平なモデルの修正
波多野 大督; 原 聡; 荒井 ひろみ
Jun. 2023, 2023年度人工知能学会全国大会, Japanese, Summary national conference - 少量のラベル付けによる複数モデルの性能比較
松浦 満; 原 聡
Jun. 2023, 2023年度人工知能学会全国大会, Japanese, Summary national conference - 決定損失の期待値と分散を用いた分類モデルの較正
宗近 康平; 原 聡
Jun. 2023, 2023年度人工知能学会全国大会, Japanese, Summary national conference - 階層クラスタリングの安定化
原 聡; 竹内 孝; 吉田 悠一
Lead, Jun. 2023, 2023年度人工知能学会全国大会, Japanese, Summary national conference - 完全分散型学習の通信ネットワークの勾配法による最適化
寺下 直行; 原 聡
Jun. 2022, 2022年度人工知能学会全国大会, Japanese, Summary national conference - 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
原聡
Lead, Jun. 2020, 第26回 画像センシングシンポジウム, Lecture materials - Heuristic Algorithm for Human Acceptable Linear Model based on Weighted Lasso
SUZUKI Hirofumi; GOTO Keisuke; IWASHITA Hiroaki; TAKAGI Takuya; OHORI Kotaro; HARA Satoshi
The Japanese Society for Artificial Intelligence, 08 Mar. 2020, JSAI Technical Report, SIG-FPAI, 112, 67-72, Japanese, Summary national conference, 40022179437, AA11977943 - 機械学習モデルの判断根拠の説明（Ver.2）
原聡
Lead, Jan. 2020, 産総研人工知能研究センター【第40回AIセミナー】「説明できるAI 〜AIはブラックボックスなのか？〜」, Japanese, Lecture materials - 説明可能AI（私のブックマーク）
原聡
Lead, May 2019, 人工知能, 34, 4, 577-582, Japanese, Introduction scientific journal, False - 機械学習における解釈性（私のブックマーク）
原聡
Lead, Mar. 2018, 人工知能, 33, 3, 366-369, Japanese, Introduction scientific journal, False - 機械学習モデルの列挙
原聡; 石畠正和; 前原貴憲
22 Jan. 2018, 人工知能学会人工知能基本問題研究会資料, 105th, 1‐5, Japanese, 201802267467750010 - Crash Performance Prediction and Knowledge Discovery from Crash Simulation Using Data Mining
小野 仁幹; 影山 雄介; 井山 淳; 原 聡; ルディー レイモンド; 井手 剛
自動車技術会, Jul. 2016, 自動車技術会論文集, 47, 4, 913-918, Japanese, 0287-8321, 40020927124, AN00105913 - Quantum state data mining
Ono Takafumi; Okamoto Ryo; Takeuchi Shigeki; Hara Satoshi; Washio Takashi
The Physical Society of Japan (JPS), 26 Aug. 2013, Meeting abstracts of the Physical Society of Japan, 68, 2, 147-147, Japanese, 1342-8349, 110009754661, AA11439205 - Structure Learning for Anomaly Localization
HARA Satoshi; WASHIO Takashi
The Institute of Electronics, Information and Communication Engineers, 31 Oct. 2012, 電子情報通信学会技術研究報告. IBISML, 情報論的学習理論と機械学習 = IEICE technical report. IBISML, Information-based induction sciences and machine learning, 112, 279, 17-22, Japanese, 0913-5685, 110009642205, AA12482480 - Sparse Inverse Covariance Selection via DAL-ADMM
原 聡; 鷲尾 隆
人工知能学会, 2012, 人工知能学会全国大会論文集, 26, 1-4, Japanese, 1347-9881, 40020295762, AA11578981 - Learning a Graphical Structure with Clusters
HARA Satoshi; WASHIO Takashi
The Institute of Electronics, Information and Communication Engineers, 09 Nov. 2011, 電子情報通信学会技術研究報告 : 信学技報, 111, 275, 19-24, Japanese, 0913-5685, 110009466403, AA12482480 - Learning an Invariant Substructure of Multiple Graphical Gaussian Models
HARA Satoshi; WASHIO Takashi
The Institute of Electronics, Information and Communication Engineers, 21 Mar. 2011, IEICE technical report, 110, 476, 177-181, Japanese, 0913-5685, 110008688743, AA12482480 - Simultaneous Learning of Graphical Structures
原 聡; 鷲尾 隆
人工知能学会, 2011, 人工知能学会全国大会論文集, 25, 1-4, Japanese, 1347-9881, 40020256338, AA11578981
Books and other publications
Research Themes
- Desensitization of Algorithms for Decision Making and Knowledge Discovery
吉田 悠一; 原 聡
Japan Society for the Promotion of Science, Grants-in-Aid for Scientific Research, National Institute of Informatics, Grant-in-Aid for Scientific Research (B), Coinvestigator, 24K02903
Apr. 2024 - Mar. 2029 - Active Evaluation of Machine Learning Models
原 聡; 松井 孝太
Japan Society for the Promotion of Science, Grants-in-Aid for Scientific Research, Osaka University, Grant-in-Aid for Scientific Research (B), 23K28146
Apr. 2023 - Mar. 2028 - Development of data-driven thermal-hydraulic analysis methods using machine learning
三輪 修一郎; 原 聡; Pellegrini Marco; 岡本 孝司; 武居 昌宏
Japan Society for the Promotion of Science, Grants-in-Aid for Scientific Research, The University of Tokyo, Grant-in-Aid for Scientific Research (B), Coinvestigator, 22H02003
Apr. 2022 - Mar. 2025 - Personalized Pricing for Time and Space Sharing Services
波多野 大督; 原 聡; 前原 貴憲
Japan Society for the Promotion of Science, Grants-in-Aid for Scientific Research, Institute of Physical and Chemical Research, Grant-in-Aid for Scientific Research (B), Coinvestigator, 本研究課題では，３つの課題（研究課題１：個々の利用者の特徴量に応じた価格設定，研究課題２：需要予測に基づく適応的価格設定，研究課題３：価格設定の妥当性の説明）のうち，研究課題１に関する研究として、組合せ特徴量に依存した価格推定問題の定式化とそのアルゴリズムの構築に着手した．具体的には，以下の3点について着手した． (1) タクシーシェアやオフィスシェアなどの共有型サービスの価格推定問題は，各利用者の利用状況のみならず誰と共有するかによりその価値が異なることから，利用者のタイプの組合せや人数，利用時間が価格設定に影響を与えると考えるのが自然である．そこで，この問題を協力ゲームと価格推定を組合せた問題として定式化を試みた．問題となるのが，協力ゲームは一般的に{0,1}の離散空間を扱うが，上記の問題では利用時間を考慮する必要があるため，非負実数値空間に拡張する必要があることが判明した． (2) 価格推定に際し，最も古典的な手法の一つが線形回帰であるが，(1)で考える問題設定では，特徴量の組合せによる相乗効果を考慮する必要があるため，線形回帰を適用することは難しい．そこで，他のアルゴリズムの候補として，組合せ特徴量を考慮したモデルを扱うfactorization machine，集合関数を実数値空間に拡張するロバース拡張やショケ積分などを利用したアルゴリズムを考えており，そのための情報収集を重点的に行なった. (3) 共有型サービスの価格設定方法として，協力ゲームの解概念の一つであるシャプレイ値を利用する．また，実問題では因果構造などの階層構造により価格決まることから，階層構造を考慮した協力ゲームのシャプレイ値を効率的に計算するアルゴリズムを構築した．その方法として，階層構造を表現できるデータ構造の一つであるアンチマトロイドを用いたモデル化を考えた．, 20H04248
Apr. 2020 - Mar. 2024 - 機械学習モデルの説明駆動開発のための基盤技術
原 聡
日本学術振興会, 科学研究費助成事業, 大阪大学, 若手研究, Principal investigator, 2021年度の研究は概ね当初の研究計画通りに進んだ。 「研究課題１. 良い学習方法の推定」については、2020年度に検討した「影響の大きいデータを見つける問題」および「良い学習方法を見積もり問題」の数理的な定式化を元に、「アルゴリズムの効率化」の研究に取り組んだ。具体的には、推定アルゴリズム中の一階微分、二階微分を圧縮して保持することでほぼ推定精度を落とすことなく、少ない計算時間およびメモリで計算することが可能となった。この結果、従来では小規模のデータセット・モデルでも計算に一晩から数日かかっていたところ、大規模なデータセットやモデルについても数時間程度で計算が完了できるようになった。 「研究課題２. 悪いモデルの修理」については「「良い修理法を見積もる問題」の数理的な定式化と推定アルゴリズムの考案」の研究に取り組んだ。本研究課題については、特にこれら定式化やアルゴリズム検討の過程で「不公平なモデルの修理」という実用上でも重要な問題例を見つけることができた。当初の研究計画では主にモデルの精度向上という点に着目したモデル修理の問題を考えていたが、モデルの公平性など精度以外の面についても同様にモデル修理は重要な問題である。 2020年度はコロナのために研究に遅れが出ていたが、2021年度は学生をアルバイトとして雇用し、関連研究の調査やプログラミング等で研究を補助してもらうことで、研究の遅れを概ね取り戻すことができた。, 20K19860
Apr. 2020 - Mar. 2023 - 機械学習モデルとユーザのコミュニケーション:モデルの説明と修正
原 聡
科学技術振興機構, 戦略的な研究開発の推進 戦略的創造研究推進事業 さきがけ, 大阪大学, Principal investigator, モデルの“説明”・“修理”に対して「データに基づくアプローチ」に着目する。このアプローチはデータの専門知識を有するユーザと親和性が高く、今後様々な分野のデータの専門家が機械学習モデルを扱うにあたって特に効果的だと期待できる。本研究では“説明”・“修理”のために「データAがデータBの予測に関連している/有害である」といったデータ間の関連性を定量化する関連性指標の設計・原理解明・妥当性検証に取り組む。
2020 - 2023 - 複数疾病を伴う高齢入院患者の予後予測因子の同定：機械学習モデルの解釈性の向上
清水 沙友里; 原 聡; 伏見 清秀
日本学術振興会, 科学研究費助成事業, 挑戦的研究(萌芽), 高齢化社会の到来を迎え、疾病構造の変化やマルチモビディティへの対応は世界各国の共通的政策課題の一つとなっている。高齢になればなるほど、疾病状態からの機能回復は遅れがちであり、多くの併存疾患を有する症例が増加する。このような状況下では、複合的な要因から患者アウトカムの悪化がみられることが多い。そのため、高齢者の身体的な脆弱性に関して、包括的な視点から評価を行い、予後悪化の要因を明らかにするということは重要な課題である。しかしながら、複数疾病のある患者に対して、それらの並存パターンの重症度評価は十分ではない。社会医学領域においては、予測力に劣る線形回帰モデルの利用から 脱却できておらず、手法論的に挑戦可能な課題が数多く残っている。昨年度は、統計学的なモデルと機械学習モデルの比較を行い、機械学習モデルのフィットに課題のあることがわかった。そこで今年度研究においては、モデルの精度向上のため、その他の機械学習手法を応用し、予後予測因子のより精緻な同定を行うことを目的とした。 これまでの研究において、入院初日の診療行為データを用いて予測モデルを構築した。入院初日の診療行為は、患者に対する医療者の診療方針を示していると考えられる。一般的に、診療行為に関する情報は、非常に情報量のあるデータであるが、そのデータの次元の高さのために全てのデータを予測モデルに入れることが現実的ではなかった。そこで、次元削減等の手法を用いることで、これらのデータを利用可能にし、かつ予測モデル精度の向上が可能であることが示唆された。 本年度は、看護必要度等の患者重症度評価指標をモデルへ使用した。加えて、診療行為情報などのスパースなカテゴリカルデータを数値化する複数の手法を予測モデルに用いて解析を実施した。, 18K18471
29 Jun. 2018 - 31 Mar. 2022 - A Unified Approach for Explaining Deep Neural Networks
Hara Satoshi
Japan Society for the Promotion of Science, Grants-in-Aid for Scientific Research, Osaka University, Grant-in-Aid for Early-Career Scientists, Deep neural network models are inherently complex, which hinder us from inferring the underlying mechanisms or the evidences that the models rely on when making decisions. It is therefore essential to develop "explanation methods" that can reveal such mechanism or evidence so that we can understand the decisions of the models. In this research, we focused on a unification of the popular explanation methods, the explanation by important features and the explanation by similar/relevant instances. Through the research, we deepen and improved the methodologies for each explanations individually, and we then developed a unification framework that can taken into account the advantages of the both of the explanations., 18K18106
01 Apr. 2018 - 31 Mar. 2021 - 多変量データに内在する多項関係構造の定常・非定常成分への分解
原 聡
日本学術振興会, 科学研究費助成事業, 大阪大学, 特別研究員奨励費, 1.多項関係表現のための変数グループの導入 変数グループを導入して実際に問題を解く際に重要なステップとして凸最適化手法の構築がある.最も単純な多項関係構造である2項関係構造を表現するモデルとしてGraphical Gaussian Model(GGM)が知られている.データからGGMの構造を学習する上では「11正則化最尤推定」という問題を解く必要がある.しかしこれはあくまでも2項関係構造を対象とした問題であり,当研究課題で対象とする多項関係構造や定常・非定常成分を扱うような状況へと直接適用することは困難である.そこで,本研究では11正則化最尤推定をより広い一般的な枠組みへと拡張した定式化を導入し,これに対して効率的に解を得る手法を提案した.本研究ついて国内の会議で発表し,さらに成果をまとめた論文を国際会議ICONIP2012に投稿し採録された. 2.変数グループの構成方法 変数グループの構成方法には様々なものが考えられるが,本研究では「異常箇所同定」と呼ばれる問題に特化した新たな手法を作り上げた.異常箇所同定は機械など複雑な構造を持つ工学的なシステムをセンサーにより監視し,そのセンサーから得られた信号をもとにシステムの異常な箇所を同定する問題である.本研究では当該問題が問題特有の変数グループを持ちうることを発見し,これに基づいて既存方法を改良した.さらに手法の計算効率性を高める技術的な工夫も導入した.また,実際の自動車から得られたセンサーデータに対して提案法を適用し,既存技術よりも優れた異常箇所同定精度を与えることを確認した.当研究成果を国内のワークショップにおいて発表,さらに論文化して国際会議ICDM2012の併設ワークショップへと投稿,採録された., 12J00885
2012 - 2012
