機械学習の方法論、とくに、知識と機械学習の融合やデータ駆動型の力学系解析手法などを研究しています。

略歴: 2018年3月 東京大学 大学院工学系研究科修了。博士（工学）。 2018年4月から2020年8月まで理化学研究所 革新知能統合研究センター 特別研究員。 2020年9月から2023年6月まで西スイス応用科学大学ジュネーブ校経営学部 科学職員。 2023年7月から東京大学 大学院工学系研究科 専任講師。 東京大学 先端科学技術研究センターにも所属しています。

連絡先

ntake[at]g.ecc.u-tokyo.ac.jp

古いメールアドレス (…@ailab.t.u-tokyo.ac.jp, …@hesge.ch, …@riken.jp) は使用していませんので、上記のアドレスにご連絡ください。

最近の活動

---

主な研究内容

機械学習と科学モデル

事前知識、とくに専門家などから得られるドメイン知識（数理モデル、シミュレータ、ルール、補助情報など）を統計的機械学習に上手に活用する方法論を研究しています。そもそも機械学習に事前知識（帰納バイアス）は不可欠なものですが、知識が複雑になればなるほど、それをどのように活用すべきかは明らかではありません。これまでに例えば 安定不変集合に関する事前知識つきの深層ニューラルネットによる力学系モデル や 補助情報をもとに複数の力学系を学習する方法 などを提案しました。また、より直接的に数理モデルと機械学習モデルとを組み合わせる方法として、深層グレーボックスモデル とその学習方法の検討 に取り組んでいます。また関連の話題として、シミュレータのパラメタについて確率推論を行う方法、特に機械学習モデルを利用して効率的に推論する方法（simulation-based inference; SBI）などにも興味があります。例えば、SBIの信頼性を高める手法の研究を行いました。

データ駆動型力学系解析

時系列などのデータをもとに背後にある力学系について調べるための方法論を研究しています。特に、動的モード分解（dynamic mode decomposition; DMD）と呼ばれる方法について、機械学習などで用いられる技術を応用することに興味があります。これまでに、DMDのベイズ推論、部分空間同定法を応用したDMD、ニューラルネットを利用したDMD、非負値DMD、時変DMD、判別分析DMD などを提案しました。また関連の話題として、DMD以外のクープマン作用素解析の方法にも興味があります。例えば、diffusion map を利用したクープマン作用素推定のためのカーネル学習 などを試しました。

データ駆動型故障予測・健全性管理

機械などの人工物を効率的に運用するためには、将来の故障や現在の状態をなるべく正確に把握・予測することが重要です。これは PHM (prognostics and health management) と呼ばれる分野で扱われる問題ですが、そのために機械学習などのデータ駆動型手法を活用することに興味があります。現状では、機械学習の問題としては異常（新規点）検知などとして扱われています。ただし、機械学習の結果を意思決定プロセスでなるべく円滑に活用するためには工夫が必要です。これまでに例えば、異常検知の結果をシャプレイ値を使って解釈する方法 などを試してきました。