教員紹介

専門分野

ＡＩ、機械学習

経歴

出身地：愛知県
最終学歴/学位：東北大学大学院工学研究科 博士(工学)
研究室：桐生６号館５０３室
所属学会：電子情報通信学会，情報処理学会
専門分野：人工知能
担当科目：プログラミング言語I，人工知能

■ 個人ページ：http://www.kato-lab.cs.gunma-u.ac.jp/

研究概要

AIは，昨今，急速に発展し，人間社会に深く浸透してきました．私は，AI に関する汎用的な技術の開発に加えて，環境工学や生物学など異分野におけるAI の応用の模索を行っています．

研究内容

• 多種類を当てるAI学習技術の開発
• AIの異分野への応用
• 安定したディープラーニング技術の開発

代表的な研究業績

[Tajima+ 2021] Kenya Tajima（修士２年）, Yoshihiro Hirohashi, Esmeraldo Ronnie Rey Zara（博士２年）, Tsuyoshi Kato, Frank-Wolfe algorithm for learning SVM-type multi-category classifiers, SIAM International Conference on Data Mining (SDM21), (acceptance rate of 21.25%)
[Tajima+ 2020] Kenya Tajima（修士１年）, Kouhei Tsuchida（修士１年）, Esmeraldo Ronnie Rey Zara（博士１年）, Naoya Ohta, Tsuyoshi Kato, Learning Sign-Constrained Support Vector Machines, 2020 25th International Conference on Pattern Recognition.
[Kato+ 2019] Tsuyoshi Kato, Ayano Kobayashi, Wakana Oishi, Syun-suke Kadoya, Satoshi Okabe, Naoya Ohta, Mohan Amarasiri, and Daisuke Sano, Sign-constrained linear regression for prediction of microbe concentration based on water quality datasets, Journal of Water and Health. 2019.
[Kato+ 2015] Tsuyoshi Kato, Raissa Relator(2015.3博士了), Hayliang Ngouv(2014.03卒 業), Yoshihiro Hirohashi(2013.03卒業), Osamu Takaki, Tetsuhiro Kakimoto, and Kinya Okada, Segmental HOG: New Descriptor for Glomerulus Detection in Kidney Microscopy, BMC Bioinformatics, 16:316 (2015) doi:10.1186/s12859-015-0739-1. (2021年４月現在引用回数 51)
[Kato+ 2005] Tsuyoshi Kato, Koji Tsuda, Kiyoshi Asai: Selective integration of multiple biological data for supervised network inference Bioinformatics , vol. 21, issue 10, pp.2488–2495, May 15 2005, doi:10.1093/bioinformatics/bti339 (2021年４月現在引用回数 105)
[邉見&加藤 2020] 邉見貴彦（修士１年）・加藤　毅，深層畳み込みネットワークの初期化アルゴリズム，第19回情報科学技術フォーラム FIT2020，ヤングリサーチャー賞（FIT奨励賞とのダブル受賞．３７４件中４件受賞）

専攻分野・研究内容紹介

AIは，昨今，急速に発展し，現在ではAIという言葉を聞かない日がないくらい人間社会に浸透してきました．私は，AI に関する汎用的な技術の開発に加えて，環境工学，医学，薬学，生物学，画像工学など産業に密接した多くの分野への応用の模索を行っています．

AI が出来ることとして最も代表的なものは，パターン認識と呼ばれるタスクです．パターン認識とは，例えば，AI に果物の画像を見せて，「これはリンゴ」とか「これはバナナ」とか，当てさせるようなタスクです．果物の種類を AI に当てさせるには，リンゴやバナナなどの大量の果物の画像からその果物のパターンを AI に学習させておきます．AI研究の目標は，学習に使っていない画像の果物の種類をなるだけ間違いないように当てさせるために，AIをいかに賢く学習させることです．

多種類を当てるAI学習技術の開発

近年，AI にもっと細かく種類を当てさせたいという要求が高まっています．当てさせる種類が多くなると AI でも人間でも見間違ってしまい，その分学習が難しくなります．そこで，AI に「これははっさく」と，１種類だけ答えさせるのではなく，「これははっさくか，バレンシアオレンジ」というように複数種類の予測を許すことにしました．これによって学習の精度を向上させました[Tajima+ 2021] ．

AIの異分野への応用

AI の活躍が連日のようにニュースで取りざたされている昨今，あらゆる産業分野や学術分野で AI の導入が模索されています．AI の導入に際して，これまで当該分野で培われた知識をうまく有効利用すると，AI はより賢く学習できます．その点に注目して，事前知識を AI の学習に効果的に活用する方法を開発しました[Tajima+ 2020] ．そのほか，環境工学[Kato+ 2019]，薬学[Kato+ 2015]，生物学[Kato+ 2005]など多くの分野に目を向けて，各分野で AI を賢く学習させる方法を研究しています．

安定したディープラーニング技術の開発

AI の中でも，近年急速に発展している技術に「ディープラーニング」という方法があります．ディープラーニングは，従来は使われてこなかった巨大な AI を学習させる方法です．ディープラーニングはまだ発展途上で，多くの課題が残されています．その一つが学習の安定性です．つまり，学習させようとしてもうまくいったり，いかなかったりします．我々の研究グループでは，巨大な AI を安定して学習させるための方法を研究しています[邉見&加藤 2020]．