A01積層独立成分分析の深化と脳科学応用
多変量データのもつ意味や法則性を理解するためには、データの性質を捉えた表現や特徴量へと適切に変換することが重要です。意味のある表現をデータから自動的に獲得すること（表現学習）は機械学習における中心的な課題のひとつであり、その原理やアルゴリズムの追求は脳の情報表現や処理を理解するうえでも示唆に富みます。本研究で取り扱う独立成分分析（ICA）は学習に正解や報酬といった補助情報を用いない「教師なし」表現学習の基本手法の１つで、初期より脳・神経科学分野で広く応用されています。標準的なICAは1階層の線形変換を学習する手法ですが、非線形変換やいわゆるプーリング演算をはさんで再帰的に積み重ねることで、多階層表現学習へと拡張することができます（積層ICA）。しかし、これまでの試みの多くは近似やヒューリスティクスに基づき、応用例も多くありません。本研究では、積層ICAやその拡張について確率的生成モデルの観点から統一的な扱いを提案し、理論的な基盤を整備します。また、近年注目される多層ニューラルネットワークに基づく深層生成モデル等との比較検証を実施し、脳機能イメージングや自然画像統計など脳神経科学に関連した新たな応用可能性を探索します。
