FIT2026 第25回情報科学技術フォーラム

イベント企画

トップコンファレンス4-2 学習理論とその応用

2026/9/3(木) 9:30-12:00
第5イベント会場

座長：竹川　高志（工学院大学）

9:30-9:50 講演(1)　誤分類率の最適値をソフトラベルと較正によって推定する実用的方法
牛尾凌太（東京大学　大学院新領域創成科学研究科複雑理工学専攻杉山・横矢・石田研究室　大学院生）
【原発表の書誌情報】Ushio, R., Ishida, T., & Sugiyama, M. (2026). Practical estimation of the optimal classification error with soft labels and calibration. In The Fourteenth International Conference on Learning Representations.
【概要】二値分類の誤分類率の最適値（Bayes誤差）は分類問題の本質的な難しさを表し，その推定は実用上有益である．近年ソフトラベルによる推定法が提案されたが，ソフトラベルの真値が所与との強い仮定が必要でった．本講演では，未知の単調変換で歪められたソフトラベルを用いた推定を考える．完全に較正されたソフトラベルでも推定を大きく誤りうることを示した上で，単調回帰に基づく較正が一致推定量を与えることを述べる．
	【略歴】2024年3月に東京大学大学院新領域創成科学研究科修士課程を修了．同年4月より同研究科の博士後期課程に在籍．また，同月より理化学研究所革新知能統合研究センター (RIKEN AIP)に大学院生リサーチ・アソシエイト (JRA)として所属．
9:50-10:10 講演(2)　比例値分類によるラベル比率からの学習
Tianhao Ma（東京大学　大学院情報理工学系研究科コンピュータ科学専攻　修士課程学生）
【原発表の書誌情報】Ma, T., Wang, W., Li, X., Niu, G., and Sugiyama, M.: Learning from Label Proportions via Proportional Value Classification, Proc. International Conference on Learning Representations (ICLR), 2026.
【概要】Learning from label proportions (LLP) is a weakly supervised classification problem in which training instances are grouped into bags and only the label proportions in each bag are observed. A standard approach is proportion matching, which aligns the average predictions in each bag with the given proportions. However, this can lead to overly smooth predictions and insufficiently discriminative instance-level classifiers. We propose a new LLP framework based on proportional value classification, where label proportions are used as supervision for an auxiliary classification task rather than directly fitted as bag-level averages. The proposed method is simple to implement, comes with theoretical guarantees, and is supported by an efficient divide-and-conquer computation strategy. Experiments on benchmark datasets under various bag-generation settings demonstrate its effectiveness over existing LLP methods.
	【略歴】Tianhao Ma received his B.S. degree from the College of Computer Science and Technology, Jilin University, in 2024. He is currently a master’s student in the Department of Computer Science, Graduate School of Information Science and Technology, The University of Tokyo, supervised by Prof. Masashi Sugiyama. His research interests include weakly supervised learning, learning from label proportions, and reliable machine learning.
10:10-10:30 講演(3)　部分的な人間監督によるスケーラブル・オーバーサイトの実現に向けて
Ren Yin（東京大学　工学部電子情報工学科）
【原発表の書誌情報】Yin, R., Ishida, T., & Sugiyama, M. Towards Scalable Oversight via Partitioned Human Supervision. In The Fourteenth International Conference on Learning Representations.
【概要】本研究では、複数領域の専門知識を要するAI課題に対し、専門家が誤った選択肢を示す補ラベルからAIの性能を推定し、評価・訓練に活用するスケーラブル・オーバーサイト手法を提案する。
	【略歴】東京大学工学部電子情報工学科在籍。RIKEN AIP学部生研究プログラムに参加した。現在は、不完全情報に基づくAIアライメントに関心を持つ。
10:30-10:50 講演(4)　バンディット問題における両環境最適保証付き Follow-the-Perturbed-Leader の準線形時間での幾何再サンプリング
Botao Chen（京都大学　大学院情報学研究科情報学専攻統計知能研究室　博士後期課程1年生）
【原発表の書誌情報】Chen, B., Lee, J., Honda, J.: Geometric Resampling in Nearly Linear Time for Follow-the-Perturbed-Leader with Best-of-Both-Worlds Guarantee in Bandit Problems, In Forty-second International Conference on Machine Learning (ICML), pp.8403–8426 (2025).
【概要】This paper studies the complexity and optimality of Follow-the-Perturbed-Leader (FTPL) policy in the K-armed bandit problem. FTPL requires a procedure called geometric resampling to estimate the loss, which needs O(K^2) per-round average complexity, usually worse than that of the widely used Follow-the-Regularized-Leader (FTRL) policy. To address this issue, we propose a novel technique which we call Conditional Geometric Resampling (CGR), reducing the average complexity to O(K log K) without increasing the cumulative loss. We also propose a biased version of CGR that can control the worst-case complexity without increasing the cumulative loss for a certain perturbation distribution. Experiments show that CGR does not only significantly improve the average and worst-case runtime but also gains lower cumulative loss thanks to the stable loss estimation.
	【略歴】Botao Chen is a first-year PhD student at the Graduate School of Informatics, Kyoto University. He received his master's degree in Informatics from Kyoto University in 2026, following a bachelor's degree in Mathematics and Applied Mathematics from Sun Yat-sen University in 2023. His research interest lies in multi-armed bandit problems.
10:50-11:10 講演(5)　オルソログ情報と生成モデリングを活用した種間遺伝子再設計
秋山真那斗（北里大学未来工学部　データサイエンス学科　人工知能研究室　講師）
【原発表の書誌情報】Akiyama, M., Tashiro, M., Huang, Y., Uehara, M., Kanzaki, T., Itaya, M., Kataoka, M., Miyamoto, K. and Sakakibara, Y.: Cross-species gene redesign leveraging ortholog information and generative modeling, Nature Communications, Vol. 17, Article No. 2120 (2026). DOI: 10.1038/s41467-026-69966-0
【概要】本発表では、遺伝子配列を文字列として扱い、ある生物の遺伝子を別の生物でうまく働く形に変換する問題を、深層学習による系列変換として定式化する。異なる生物で同じ働きを担う遺伝子（オルソログ）の対応関係を学習することで、目的の生物に適した配列を設計するOrthologTransformerを提案する。計算機上の評価および酵素発現実験を通じて、本手法の有効性とAIによる種間遺伝子設計の可能性について発表を行う。
	【略歴】慶應義塾大学理工学研究科博士課程修了。博士(理学)。2022年より慶應義塾大学助教、2025年より北里大学未来工学部データサイエンス学科講師。専門はバイオインフォマティクス、RNAインフォマティクス、人工知能。深層学習・生成モデルを用いた生体配列解析と設計、ならびに生命科学・バイオテクノロジーへの情報科学的応用に取り組む。
11:10-11:30 講演(6)　ガウス過程に基づくシャッフル回帰
幸島匡宏（NTT株式会社　人間情報研究所　主任研究員）
【原発表の書誌情報】Masahiro Kohjima: Gaussian Processes for Shuffled Regression, Advances in Neural Information Processing Systems 38 (NeurIPS), pp.18032-18057, 2025.
【概要】異なる機関やデバイスで独立に収集されたデータなどは, 入力と出力の対応が不明なシャッフルデータとして表現される. 本研究では, シャッフルデータのみを用いて入出力関係を高精度に推定し, 予測の信頼度を定量化できるガウス過程に基づく手法を提案する.
	【略歴】2009年東京工業大学工学部情報工学科卒業. 2012年同大学大学院総合理工学研究科知能システム科学専攻修士課程修了. 同年NTT入社. 2019年東京工業大学情報理工学院数理・計算科学系博士課程修了. 博士（理学）. 現在, NTT人間情報研究所主任研究員. 機械学習, 特に確率モデル・不完全データ分析の研究に従事.