2026/07/28 更新

写真a

ポア　インジュン
PHUA YIN JUN
phua yin jun
所属
情報理工学院 助教
職名
助教
ホームページ
https://yinjunphua.com/ja/
外部リンク

学位

  • 博士（情報学） （ 2022年3月   総合研究大学院大学 ）

研究キーワード

  • ニューラルシンボリック

  • 論理推論

  • 深層機械学習

研究分野

  • 情報通信 / 計算科学

  • 情報通信 / 知能情報学

学歴

  • 総合研究大学院大学   複合科学研究科   情報学専攻

    2019年4月 - 2022年3月

    　 詳細を見る

    備考： 博士（情報学）

    researchmap

  • 東京工業大学   情報理工学院   情報工学コース

    2017年4月 - 2019年3月

    　 詳細を見る

  • 東京工業大学   工学部   情報工学科

    2013年4月 - 2017年3月

    　 詳細を見る

経歴

  • 東京科学大学   情報理工学院   助教

    2024年10月 - 現在

    　 詳細を見る

  • 東京工業大学   情報理工学院   助教

    2022年4月 - 2024年9月

    　 詳細を見る

  • 独立行政法人日本学術振興会   特別研究員 (DC2)

    2021年4月 - 2022年3月

    　 詳細を見る

  • 国立情報学研究所   特別RA

    2019年4月 - 2021年3月

    　 詳細を見る

委員歴

  • International Conference on Neurosymbolic Learning and Reasoning   プログラム委員  

    2024年 - 現在   

    　 詳細を見る

    団体区分：学協会

    researchmap

論文

▼全件表示

MISC

  • Can Transformers Learn to Verify During Backtracking Search? 国際共著 国際誌

    Yin Jun Phua, Tony Ribeiro, Tuan Nguyen, Katsumi Inoue

    CoRR   abs/2605.22221   2026年5月

    　詳細を見る

    記述言語：英語   掲載種別：速報，短報，研究ノート等（学術雑誌）  

    DOI： 10.48550/arXiv.2605.22221

    researchmap

  • 重み予測を用いたMLPの初期化による少数例からのダイナミクス深層学習

    ポア インジュン, 井上 克巳

    人工知能学会全国大会論文集   JSAI2018   4A101 - 4A101   2018年

    　詳細を見る

    記述言語：日本語   出版者・発行元：一般社団法人 人工知能学会  

    ダイナミックシステムにおいて，そのシステムが取りうる全ての状態遷移が完璧に得られれば，論理的機械学習手法を用いて完璧なモデルが得られる．しかし実世界では，観測データや状態遷移を完璧に得られることが珍しい．一方，統計的機械学習も同様にデータ飢餓の問題がある．本研究では，重み予測を用いた多層パーセプトロンの初期化方法を提案する．重みを予測することにより，学習データが少ない場合でも過学習を避け，モデルの学習がうまくいくことを示す．

    DOI： 10.11517/pjsai.jsai2018.0_4a101

    CiNii Research

    researchmap

  • リカレントニューラルネットワークによる遅延を伴う解釈遷移から の論理プログラム表現学習

    ポア インジュン, 井上 克巳

    人工知能学会全国大会論文集   JSAI2017   3O11 - 3O11   2017年

    　詳細を見る

    記述言語：日本語   出版者・発行元：一般社団法人 人工知能学会  

    Having a method to understand the interactions and delayed influences between components of dynamical systems can provide useful applications to biological and other dynamical systems. In this paper, we present a method relying on Recurrent Neural Networks (RNN) that can learn to distinguish the nature of different systems. This method utilizes Long Short-Term Memory (LSTM) to extract and encode certain features from the input sequence of time-series data. We also show that the produced high dimensional encoding can be used to represent different time series that are resulted from the same dynamical system.

    DOI： 10.11517/pjsai.jsai2017.0_3o11

    CiNii Research

    researchmap

講演・口頭発表等

  • A Foundation Model for Learning Propositional Logic Program 国際会議

    Yin Jun Phua

    Ninth International Workshop on Symbolic-Neural Learning  2025年10月 

    　詳細を見る

    会議種別：ポスター発表  

    researchmap

  • Transformers Can Admit Mistakes and Backtrack 国際会議

    Tony Ribeiro, Yin Jun Phua, Tuan Nguyen, Katsumi Inoue

    5th International Joint Conference on Learning & Reasoning  2025年9月 

    　詳細を見る

  • ニューロシンボリック AI における記号論理の不変性の応用 招待

    ポア インジュン

    人工知能学会 第133回人工知能基本問題研究会  2025年8月 

    　詳細を見る

    会議種別：口頭発表（招待・特別）  

    researchmap

  • Variable Assignment Invariant Neural Network for Learning Logic Programs 国際会議

    Yin Jun Phua, Katsumi Inoue

    Symbolic-Neural Learning 2024  2024年6月 

    　詳細を見る

  • Learning from Noisy Transition Data 国際会議

    Yin Jun Phua, Katsumi Inoue

    Symbolic-Neural Learning 2019  2019年7月 

    　詳細を見る

Works（作品等）

受賞

  • 東工大教育賞 優秀賞

    2023年11月   東京工業大学   手続き型プログラミング

    大上雅史, 宮藤詩緒, ポアインジュン

    　詳細を見る

  • Best Paper Award

    2023年10月   1st Workshop on Visual Continual Learning, ICCV2023   Class-Incremental Learning using Diffusion Model for Distillation and Replay

    Quentin Jodele, Xin Liu, Yin Jun Phua, Tsuyoshi Murata

    　詳細を見る

  • Best Student Paper Award

    2019年11月   ILP 2019: 29th International Conference on Inductive Logic Programming   Learning Logic Programs from Noisy State Transition Data

    Yin Jun Phua, Katsumi Inoue

    　詳細を見る

共同研究・競争的資金等の研究課題

  • 状態分離型探索制御機構による信頼できる生成AI推論基盤の実現

    研究課題/領域番号：262S08-24672  2026年7月 - 2027年3月

    国立情報学研究所  2026年度国立情報学研究所公募型共同研究 

    　 詳細を見る

    担当区分：研究代表者 

    researchmap

  • 信頼されるAIに向けた制約推論

    研究課題/領域番号：25K03190  2025年4月 - 2029年3月

    日本学術振興会  科学研究費助成事業  基盤研究(B)（一般）

    井上 克巳, 清 雄一, 鍋島 英知, Phua Yin Jun

    　 詳細を見る

    資金種別：競争的資金

    researchmap

  • 背景知識と少量のデータから汎用的で解釈可能な知識をデータ駆動で学習するAIの開発

    研究課題/領域番号：25K21269  2025年4月 - 2028年3月

    日本学術振興会  科学研究費助成事業  若手研究

    Phua Yin・Jun

    　 詳細を見る

    配分額：4680000円 （ 直接経費：3600000円 、 間接経費：1080000円 ）

    researchmap

  • 論理的推論が可能な「信頼できる生成AI」の実現

    研究課題/領域番号：24S1203  2024年7月 - 2025年3月

    国立情報学研究所  2024年度国立情報学研究所公募型共同研究 

    　 詳細を見る

    担当区分：研究代表者 

    researchmap

  • 記号論理と深層機械学習の統合による新たな知識を発見するAIに関する研究

    研究課題/領域番号：22K21302  2022年8月 - 2024年3月

    日本学術振興会  科学研究費助成事業 研究活動スタート支援  研究活動スタート支援

    Phua Yin・Jun

    　 詳細を見る

    配分額：2860000円 （ 直接経費：2200000円 、 間接経費：660000円 ）

    researchmap

  • 知識表現・推論と機械学習の統合によるロバストAIの実現

    研究課題/領域番号：21H04905  2021年4月 - 2025年3月

    日本学術振興会  科学研究費助成事業  基盤研究(A)

    井上 克巳, 坂間 千秋, Phua Yin・Jun, Nicolas Schwind, 小島 諒介

    　 詳細を見る

    配分額：41470000円 （ 直接経費：31900000円 、 間接経費：9570000円 ）

    本研究では、機械学習(ML)と知識表現・推論(KR)の両技術を有機的に統合することで、説明可能でありロバスト性も有するような次世代AIのための技術基盤を確立する。このために、(A)KR技術の導入によるML技術の説明可能性・更新容易性の向上、(B)ML技術に支えられたロバストなKR技術の開発、(C)MLとKRの統合による画期的なAI応用、という研究目標を設定している。2021年度では、以下の進捗があった。
    (A)決定木アンサンブルからの規則抽出において解集合プログラミングを用いることで、制約に応じて有用な説明規則を生成する手法を開発した。また分類器の修正を合理性の観点から遂行するために、KRの信念修正で研究されてきた合理的基準を設定し、分類器「編集」オペレータに対する構成的特徴付けを与え、基準を満たす編集オペレータの族について調べた。さらに、画像データを述語表現に変換し帰納推論を適用することで解釈可能な表現学習を実現し、分類実験において90％前後の正解率が得られた。
    (B)SAT問題を行列表現し、線形空間におけるコスト関数最小化問題として定式化することによりSAT問題の解を求める方式を開発・実装した。行列計算に基づくためGPUなどの並列計算テクノロジーと親和性が高く、30万変数規模のランダム3-SAT問題で既存SLSタイプのSATソルバーを凌ぐ計算速度を持つことを確認した。また、解釈遷移からの学習(LFIT)の微分可能化とニューラルネットワーク上での実装・ロバスト化を行った。
    (C)論理式などの記号的知識表現と画像や数値データなどの連続データ分析を組み合わせた手法として、テンソル意味論をベースにした手法の開発を行った。また、深層論理プログラミング言語T-PRISMの応用先の調査および簡易的な実験を行った。他の生物学応用として、新型コロナウイルスの生体内感染動態の解析に着手した。

    researchmap

  • 記号論理機械学習と深層機械学習の融合による理解可能なモデルを構築する研究

    研究課題/領域番号：21J14367  2021年4月 - 2023年3月

    日本学術振興会  科学研究費助成事業 特別研究員奨励費  特別研究員奨励費

    ポア インジュン

    　 詳細を見る

    配分額：1500000円 （ 直接経費：1500000円 ）

    本研究は，近年盛んであるニューラルネットワークと，従来使われていた記号論理推論を統合したニューラル・シンボリックモデルの構築を目指している．特に，状態遷移を観測し系のダイナミクスを論理プログラムとして学習する分野において，ニューラルネットワークを用いて実現する手法を開発した．ニューラルネットワークと記号を融合する手法の中では，ネットワークの構造を記号に模倣させる手法が主流である．しかし，このような手法ではメモリー消費量が非常に大きい問題や，ニューラルネットワークでの最新の研究をすぐに取り入れられない問題などがある．そこで本研究では，ニューラルネットワークの構造に手を加えることなく，ニューラルネットワークの強みを活かす手法を実現した．ニューラルネットワークや深層機械学習の解釈可能性欠如問題が唱えられている中，学習結果を論理記号として出力する手法は今後より広範囲での応用が期待される．
    2021年度では，これまでに直面していたスケーラビリティ問題を改善することができた．記号と深層機械学習を組み合わせることで避けられないのが組み合わせ爆発問題．以前開発した手法では，組み合わせ爆発問題により最大5変数の系にしか応用できず，これは実世界では千や萬にも達する系への応用にはほど遠いこととなっている．そこで記号に存在する対称性や，ニューラルネットワーク構造の出力の削減を通して，組み合わせ爆発を抑えることができた．これからの効率化手法を検証するために実験を行い，各手法の有効性を詳細に分析した結果については，国際会議において発表した．従来手法より大きい系に応用することができ，これからは実世界への応用も期待できる．

    researchmap

▼全件表示

担当経験のある科目（授業）

  • 手続き型プログラミング発展

    2023年6月 - 現在

    　詳細を見る