研究紹介

「美しい理論を求めることは、美しく動くアルゴリズムを作ること」

これが本研究室の根本にある信念です。

本研究室では、機械学習の学習理論をゼロから打ち立て、その計算論を自分たちの手で構築します。既存のライブラリを組み合わせてシステムを作る研究ではありません。「なぜこの学習が成立するのか」を数式で理解し、「どう計算すれば実現できるか」をフルスクラッチで実装します。

卒業するとき、あなたは機械学習の「エンジンの作り方」を知っている人間になっています。

Wasserstein Manifold Modeling (WMM)

データの背後にある「かたち（多様体）」を、確率分布の空間で捉え直します。従来の多様体学習との決定的な違いは、データ点ではなく確率分布そのものを「点」として扱うことです。確率分布間の距離としてWasserstein距離を用い、その空間に多様体構造を見出します。

学習理論・計算論の両面から構築し、実応用への接続を目指しています。

Meta-generative Model (MgM)

「複数のデータ集合から、それらに共通する生成原理を学ぶ」という問いに取り組みます。各データ集合をひとつの確率分布として表現し、それら分布の集まりをさらにモデル化する——という、生成モデルの入れ子構造が核心です。

WMMを内部構造として持つ、より高次の学習フレームワークです。