| 開催日 | 2026年6月25日(木) |
|---|---|
| 開催地 | Web |
（Live配信）606117
（アーカイブ配信）607162
少数・不揃いな計測データの機械学習とモデル設計
～画像・スペクトルデータの前処理・特徴抽出・低次元化～
【Live配信 or アーカイブ配信】
★少数・不揃いデータでも精度が出せる解析設計手法が学べる
--------------------------------------------------------------------------------
■Live配信日時：２０２６年６月２５日（木）13：00～17：15
■アーカイブ配信日程：２０２６年７月６日（月）まで申込み受付（視聴期間：7/6～7/16）
※お申し込み時に備考欄に、Live配信、アーカイブ配信、いずれの受講かをご記入ください
■講師
【第１部】筑波大学 システム情報系 准教授 五十嵐 康彦 氏
【第２部】東京科学大学 総合研究院 化学生命科学研究所 准教授 安藤 康伸 氏
■聴講料
１名につき４９,５００円（消費税込/資料付き）
１社２名以上同時申込の場合のみ１名につき４４,０００円（税込）
大学、公的機関、医療機関の方には割引制度があります。詳しくはお問い合わせください。
■セミナーの受講について
・下記リンクから視聴環境を確認の上、お申し込みください。
→ https://zoom.us/test
・開催数日前または配信開始日までに視聴用のURLとパスワードをメールにてご連絡申し上げます。
セミナー開催日時またはアーカイブ配信開始日に、視聴サイトにログインしていただきご視聴ください。
・出席確認のため、視聴サイトへのログインの際にお名前、ご所属、メールアドレスをご入力ください。
ご入力いただいた情報は他の受講者には表示されません。
・開催前日または配信開始日までに、製本したセミナー資料をお申込み時にお知らせいただいた住所へお送りいたします。
お申込みが直前の場合には、開催日または配信開始日までに資料の到着が間に合わないことがあります。
・本講座で使用される資料や配信動画は著作物であり、録音・録画・複写・転載・配布・上映・販売等を禁止いたします。
・本講座はお申し込みいただいた方のみ受講いただけます。
複数端末から同時に視聴することや複数人での視聴は禁止いたします。
・アーカイブ配信セミナーの視聴期間は延長しませんので、視聴期間内にご視聴ください。
プログラム ----------------
（13:00～15:00）
【第１部】深層学習だけでは不十分？少数データで精度を出す計測画像解析とスパースモデリング
筑波大学 システム情報系 准教授 五十嵐 康彦 氏
【講座主旨】
本講演では、電子顕微鏡画像・放射光計測データなどの先端計測データを対象に、少数データ環境において高精度な解析を実現するための手法について解説する。近年は深層学習の活用が進んでいるが、学習データが十分に確保できない場合には性能が制限されることが多い。本講演では、画像前処理の重要性を整理した上で、辞書学習や圧縮センシングなどのスパースモデリングに基づく手法を中心に取り上げる。これらの手法は少量のデータから本質的な構造を抽出できる点に特徴があり、場合によっては深層学習を上回る性能を示す。本講演では、これらの理論的背景とともに，実データ解析への応用例を通して、実務における有効な活用方法を提示する。
【講座内容】
◆少数データで精度を出す計測画像解析
1. 計測画像解析と機械学習の現状
2. 深層学習の限界と少数データ問題
3. 精度を左右するデータ前処理の重要性
4. ノイズ除去・正規化・特徴強調の実践
5. 少数データ解析の基本戦略
6. スパースモデリングの基礎と考え方
7. 辞書学習による画像表現と特徴抽出
8. 圧縮センシングによる高精度復元
9. 深層学習との使い分けと比較
10. 実データ解析事例と導入指針
【質疑応答】
◆◆講師プロフィール◆◆◆
専門分野：機械学習, マテリアルズ・インフォマティクス
学位：博士（科学）
経歴：
科学技術振興機構 さきがけ (兼任)
物材研究機構 物質・材料研究機構 統合型材料開発・情報基盤部門 NIMS外来研究員 (兼任)
成城大学 非常勤講師 (兼任)
2009年 東京大学 工学部 計数工学科 卒業
2014年 東京大学大学院 新領域創成科学研究科 博士後期課程 修了
2014年 東京大学大学院 新領域創成科学研究科 特任研究員
2017年 物質材料研究機構 NIMSポスドク研究員
2017年 科学技術振興機構 さきがけ専任研究員
2019年 東京大学大学院 新領域創成科学研究科 助教
2020年 筑波大学 システム情報系 准教授
---------------------------------------------------------------
（15:15～17:15）
【第２部】条件が揃えにくい現場スペクトルデータに対するモデル設計の考え方
東京科学大学 総合研究院 化学生命科学研究所 准教授 安藤 康伸 氏
【本講座で取得できる知識】
・マテリアルズ・インフォマティクスの概要
・データ均質化のための予測モデル設計
・スペクトルデータの低次元化や分類方法
・スペクトルデータの物理モデリング方法
・研究データ蓄積の基礎
【講座主旨】
データ科学によって研究データの利活用を促進し、研究・開発を加速することを目指すマテリアルズ・インフォマティクスやプロセス・インフィマティクスが高い注目を集めています。特に、研究・開発ではスペクトルデータを多数取り扱いますが、エネルギーの基準がずれてしまっていたり、チャネル数がずれていたりと、研究・開発の現場でこれまでに蓄積されたデータの利活用には課題が多くあります。これらをうまくモデル化することで比較可能なものにし、データを統一的に扱うことができます。本講演では、不揃いなスペクトルデータ解析を行う上での課題に注目をし、取得したスペクトルデータからの情報抽出のための機械学習活用について、「回帰」「分類」「低次元化」「ピーク検知」といった視点から、機械学習の数理的な側面も交えながら基礎的な内容を紹介します。
【講座内容】
１．物質・材料データに対する機械学習の基礎
1）機械学習の基礎
2）機械学習応用の流れと課題設定の重要性
3）代表的な機械学習応用事例の紹介
4）化学プロセスデータの特徴と注意点
5）情報科学市民権
6）材料科学の立場として忘れてはいけないこと
２．予測モデルによる均質化とモデル選択
1）予測・モデル選択の応用例
2）モデル推定の種類（最尤法, MAP推定, ベイズ推定）
3）確率論的にみた回帰と正則化
4）非線形モデリングの困難
a）マルコフ連鎖モンテカルロ法によるパラメータ最適化
b）情報量基準によるモデル選択
c）解析事例
３．スペクトルデータの低次元化とクラスター解析
1）高次元データとしてのスペクトルと低次元化の重要性
2）分類：教師あり学習と教師なし学習
3）特徴空間と類似度
4）特徴空間の解釈性と表現性
5）主成分解析によるスペクトルの低次元化
6）k-means法によるスペクトルの分類
7）階層的クラスタリングによるスペクトルの分類
４．スペクトル解析のためのEMアルゴリズムによるピーク検知
1）ピーク検知のための処理フロー
2）非線形最小二乗法の困難
3）回帰と分布推定の違い
4）ガウス分布の最尤推定
5）EMアルゴリズムによる最尤推定
6）スペクトル解析のための改良EMアルゴリズム
7）解析事例
５. 研究データ蓄積を行う上で必要なこと
1) データベース構築の３つの目的
2) データベースの種類
3) フラットファイルフォーマット
4) ツリー構造を利用した実験データ蓄積
5) 電子ラボノートの事例
【質疑応答】
◆◆講師プロフィール◆◆◆
専門分野：計算物質科学, 表面・界面科学, マテリアルズ・インフォマティクス
学位：博士（理学）
略歴：
2003年04月東京大学教養学部理科一類 入学.
2012年03月 東京大学 大学院理学系研究科 物理学専攻博士後期課程修了. 博士(理学).
2012年04月?2013年04月 国立研究開発法人 産業技術研究所 産総研特別研究員.
2013年05月?2016年03月 東京大学大学院 工学系研究科マテリアル工学専攻 助教.
2016年04月～2018年09月 国立研究開発法人 産業技術総合研究所 研究員.
2018年10月～2024年03月 同所 主任研究員.
2022年07月～早稲田大学 先進理工学部 客員准教授
2024年04月～2024年09月東京工業大学 科学技術創成研究院 化学生命科学研究所 准教授
2024年10月～東京科学大学 総合研究院 化学生命科学研究所 准教授(現職)
学協会役員：
2015年04月 公益財団法人 新世代研究所 界面ナノ科学研究会 会員（現職）
2017年04月 日本表面真空学会 データ駆動表面科学部会 幹事
(2019.04 より副部会長, 2021.04 より部会長）
2018年01月ドイツ フリッツ・ハーバー研究所 客員研究員（2018.07 任期満了）
2018年10月 Sci. Tech. Adv. Mater. 分野別編集委員（2024.03 任期満了）
2021年01月 Sci. Tech. Adv. Mater. Meth. 編集委員（現職）
