新しい小規模サンプル意味セグメンテーション手法——先行情報駆動型エッジ特徴強化ネットワーク 人工知能分野において、意味セグメンテーション（Semantic Segmentation）はコンピュータビジョンの中核的技術であり、画像内の各ピクセルに対して意味的なカテゴリーラベルを割り当てることを目的としています。しかし、従来の意味セグメンテーション手法は、大量の注釈付きデータをトレーニングに必要とし、そのため、注釈付きサンプルデータが少ない状況での適用が制約されます。例えば、医用画像解析や自動運転では、少数のデータクラスに対して分割を行い、精確な分割結果を得る必要があります。このような背景の中で、小規模サンプル意味セグメンテーション（Few-Shot Semantic Segmentation,...

混合タイプ対話生成分野の新たな突破口：少数ショット学習に基づく研究 人工知能（Artificial Intelligence, AI）の重要な目標の1つは、多種多様な自然言語対話を実現できるAIエージェントを構築することです。現在、業界や学術界において、オープンドメイン対話（Open-Domain Dialogue）とタスク指向対話（Task-Oriented Dialogue）の両方に対応できる対話モデルを設計することが長年の課題とされています。この複数のスキルやタイプを統合した形式は、混合タイプ対話（Mixed-Type Dialogue）と呼ばれます。しかし、この課題に取り組む既存の研究の多くは、大規模な人工ラベル付きデータセットの構築に依存しており、データラベリングのコストが非常に高...

背景紹介 脳卒中は世界的な死亡と障害の主要な原因の一つであり、人口の高齢化と都市化の進展に伴い、脳卒中患者の総数が世界中で増加しています。治療の進歩により死亡率は低下していますが、生存者のうちリハビリテーションを必要とする人数は大幅に増加しています。特に低所得国や中低所得国では、この状況が顕著です。これらの国々では医療資源が限られているため、適応性が高く費用対効果の高いリハビリテーション介入が緊急に必要とされています（Feigin et al. 2022）。 脳卒中のリハビリテーションは長期にわたり、身体的にも経済的にも大きな負担がかかるプロセスであるため、自動評価システムによりリハビリテーションの費用を軽減し、理学療法士の訪問需要を減らすことの重要性がますます高まっています。これらのシステ...

バランス特性の対応と均一性による少数ショット分類問題の解決 背景と動機 少数ショット学習（Few-Shot Learning, FSL）の目標は、少数の新しいカテゴリ（novel classes）サンプルの条件下で、新しいサンプルを正確に認識することです。既存の少数ショット学習方法は、主に特徴表現とその対応するラベルとの情報を最大化することで、基礎カテゴリ（base classes）から転移可能な知識を学習します。しかし、この方法は「監督の崩壊」（supervision collapse）という問題が発生する可能性があり、基礎カテゴリに対して偏りが生じることがあります。本論文では、データの内在構造を保ち、新しいカテゴリに適した一般化モデルを学習することで、これを解決する方法を提案します。本研...