2019年8月4日～7日、アメリカ・テキサス州のダラスで開催された「62nd IEEE International Midwest Symposium on Circuits and System（MWSCAS2019）」において、大学院電気情報工学専攻博士後期課程1年の小澤和也さん（岡崎研究室）が研究の成果を発表しました。

同シンポジウムは、IEEE の回路とシステムソサイエティが主催する回路とシステムに関するシンポジウムの中でも最も歴史的に古いシンポジウムで、情報通信工学に取り組む研究者のためのネットワーキングイベントとして発展し、回路とシステムに関する理論、設計および応用をはじめ、デバイス、3D、IoT、スマートシステムなどさまざまな最新の研究に触れることができる国際会議です。

小澤さんの研究は、世界で使われているAIを支えるディープラーニングの学習過程を導き出すことを目的としたもので、数学的に解析できることを導き出すための基礎段階の研究成果として、数学的方法を用いたディープラーニングの学習に関係するパラメータを見つけだす方法についての成果を発表しました。

タイトルは「A Multiplication by a Neural Network (NN) with Power Activations and a Polynomial Enclosure for a NN with PReLUs」。

小澤さんが発表した論文の解説は以下の通りです。
ディープラーニングという手法を用いた技術が世界で多く扱われる中で、その内部でニューラルネットワーク（NN）が学習によってどんな関数を作り出すのかについては、いまだ十分に研究されてはいません。例えば、ReLU関数を持つディープニューラルネットワークの一連の成功以来、ReLUs関数、PReLUs関数、RePUs関数を有するNNによる多くの近似が注目されていますが、多項式関数を近似するPReLUs関数を持つNNのパラメータをどのように求めるかということは十分に議論されていません。この論文では、そのようなパラメータを見つけるために、n次元の"べき関数"の活性化関数をもつNNの乗算と、PReLUs関数をもつNNの多項式関数包囲について議論しています。