見落としを防ぐ「再現率」重視のアプローチで人命救助に貢献

<plone.namedfile.file.NamedBlobImage object at 0x7f1d3e70feb0 oid 0x6e3364 in <Connection at 7f1d86ff9a30>>

2025-07-29

engineering

{'items': [{'key': 'cclsu', 'term': 'ベンチマーク', 'description': {'blocks': [{'key': '4a4eo', 'text': '物事を比較・評価する際の基準となる標準や参照点。', 'type': 'unstyled', 'depth': 0, 'inlineStyleRanges': [], 'entityRanges': [], 'data': {}}], 'entityMap': {}}}, {'key': 'b2dhd', 'term': '半教師あり学習（SSL）', 'description': {'blocks': [{'key': '4jt9', 'text': 'SSL＝Semi-supervised Learningの略。少量のラベル付きデータと大量のラベルなしデータを用いて学習する機械学習のアプローチ。ラベリングにコストがかかる、またはデータが乏しい状況に有効。', 'type': 'unstyled', 'depth': 0, 'inlineStyleRanges': [], 'entityRanges': [], 'data': {}}], 'entityMap': {}}}, {'key': 'ekbl7', 'term': '一貫性正則化(Consistency Regularization)', 'description': {'blocks': [{'key': '7o155', 'text': 'SSLの手法の一つ。入力がわずかに変更されても、モデルが同じ予測を生成するように促す技術で、ラベルなしデータから頑健な特徴を学習するのに役立つ。', 'type': 'unstyled', 'depth': 0, 'inlineStyleRanges': [], 'entityRanges': [], 'data': {}}], 'entityMap': {}}}, {'key': '6ch3h', 'term': 'Prior Attention', 'description': {'blocks': [{'key': '75ntr', 'text': '事前アテンション。ニューラルネットワークにおいて、データからのみアテンションパターンを学習するのではなく、事前定義された仮定や知識を組み込んでモデルの焦点を誘導するアテンションメカニズム。', 'type': 'unstyled', 'depth': 0, 'inlineStyleRanges': [], 'entityRanges': [], 'data': {}}], 'entityMap': {}}}, {'key': '8tols', 'term': '再現率', 'description': {'blocks': [{'key': 'o0l8', 'text': '実際に陽性であるサンプルのうち、正しく陽性と予測されたサンプルの割合を示す指標。値が高いほど、モデルがより多くの被災建物を検出できることを示唆する。一方で、被害のない建物を誤って被害ありと分類したり、被害レベルの誤分類が増えたりする可能性もある。', 'type': 'unstyled', 'depth': 0, 'inlineStyleRanges': [], 'entityRanges': [], 'data': {}}], 'entityMap': {}}}, {'key': 'aa7n', 'term': 'カッパ係数 (Kappa)', 'description': {'blocks': [{'key': '1bgu3', 'text': 'モデルの予測と正解の一致度を測る指標で、偶然によって期待される一致度を補正する。不均衡データセットにおいて、モデルが多数派クラスを予測するだけで高くなることがあるOA（Overall Accuracy）とは異なり、カッパ係数は予測クラスと実際クラスの周辺分布に基づいた偶然の一致の可能性を明示的に考慮する。', 'type': 'unstyled', 'depth': 0, 'inlineStyleRanges': [], 'entityRanges': [], 'data': {}}], 'entityMap': {}}}, {'key': 'aotfc', 'term': 'パラメータ数', 'description': {'blocks': [{'key': 'em72d', 'text': 'モデルのパラメータのサイズは、展開の容易さと計算推論に必要な時間を示す。パラメータ値が低いほど、計算効率の面で大きな利点がある。', 'type': 'unstyled', 'depth': 0, 'inlineStyleRanges': [], 'entityRanges': [], 'data': {}}], 'entityMap': {}}}]}

['eng']

['YU Jiaxi', '福田知弘', '矢吹信喜']

災害の混乱の中、AIに最も求められる役割は、一人でも多くの命を救うための情報を迅速に提供することです。この人道的な使命が、私たちの研究全体の原動力となりました。 私たちの研究は、従来の変化検出モデルが水害後評価に適しているかを評価することから始まりました。私たちは、モデル開発における従来の「精度」重視の考え方に疑問を呈し、代わりに「一軒も見逃さない」という現場の喫緊のニーズへと焦点を移しました。この要求に応えるため、私たちは乏しいデータからでも賢く学習し、被害の微細な兆候をも識別できるSPADANetを設計しました。この研究は、AIが社会の安全と安心に真に貢献するための重要な一歩であると信じています。本研究が、世界中の災害救援現場で展開される未来の技術の礎となることを願っています。（YU Jiaxiさん）

https://researchmap.jp/tomohirofukuda/avatar.jpg

福田 知弘

教授

工学研究科

https://rd.iai.osaka-u.ac.jp/ja/d2782e4b9c864b39.html