深層学習で作る深層回路の入力情報としては、学習時と運用時 (テスト時) の両方で使える情報を用いることが大前提となっています。学習のときに利用できても、肝心の運用時に使えない情報 (以下、Auxと表記) は学習に用いようがありません。Auxの例としては、計測が大変/高コストなため使えない/使い辛い情報、製品の開発時には考慮できても、市販時に搭載されないセンサからの情報、原理的に利用できない情報 (未来情報など) があります。
　ところが、このような情報を有効に学習して出力の精度を高めることができる画期的な深層学習法が日本 (横浜国立大学) で開発されました。この手法は浸透学習法 (PLM:Percolative Learning Method) と呼ばれ、日本と米国の特許になっています。浸透学習法によって深層回路の精度を従来よりも高めたり、将来変動予測の学習時に未来の情報を学習して高精度化したりすることができます。また、浸透学習法によって深層回路の運用時の入力変数を極限まで減らすことができます。従来の深層回路の入力変数最適化では使う (1) /使わない (0) の判断だけですが、浸透学習では使う (1) /使わない (0) /Auxとしてだけ使う (2) の三択が可能だからです。
　本セミナーは、この夢のような性能をもつ深層学習法の原理と応用について、発明者である講師自らがご紹介する日本唯一のセミナーです。ぜひ多くの方々にご参加頂き、業務でのご利用をご検討頂ければ幸いです。

1. 序論
   1. 人工知能と機械学習
   2. 神経回路網と深層学習
   3. 関連する技術の紹介
2. 浸透学習法の原理
   1. 基礎となる考え方
   2. 基本構造と学習アルゴリズム
   3. 浸透学習法の応用分野
3. 浸透学習法の応用
   1. 浸透学習法によるデータ分類・回帰
   2. 浸透学習法によるマルチモーダル認識
   3. 浸透学習法による時系列予測
   4. 浸透学習法における逐次補助情報追加
   5. 浸透学習法による入力変数最適化
4. まとめと今後の課題