JOAI2026講評会スライド

Transcript

1. JOAI 2026 public6位/private8位　解法 広尾学園高等学校2年 早川智晴（Tomoharu Hayakawa）
2. 1. 自己紹介 2. 大会中の取り組み方 3. モデル設計と選んだ理由 4. 工夫 5. 感想・来年の参加者に向けて
3. 自己紹介 早川智晴 広尾学園高等学校2年生 主な活動： - AIを利用したスポーツ障害のリスク評価の研 究 (情報科学の達人7期生） - FIRST Tech Challenge (Hiroo Robotics) - JOAI前はKaggle歴がほとんどない
4. 大会中の取り組み方 submission 数の制限があった →　各 submission ごとにスコア、変更点、得られた学びを記録した。 →　アイデアを思いついた際にはすぐにメモした。
5. 大会中の取り組み方 序盤 - タスクを熟読する - とにかく色々なモデ ルを実験する 中盤 - スコアが一番高かっ たCNN+BiGRUを使うこ とにした - アンサンブルや損失 関数を試す 終盤 - ハイパラ、エポックな どを最終調整
6. 課題の整理 1. ノイズの多い脳活動信号 2. マウス個体差および学習日ごとの差 3. 各サンプルが可変朝時系列である点
7. モデル設計 CNN + BiGRUのモデルを利用
8. CNN + BiGRU を用いた理由 CNN 短期的なパターンを取る マウスのIDと学習日をEmbeddingとし て入れて「個体差・日差」も考慮した BiGRU 長期的な流れを学習する
9. 工夫①　特徴量設計 元の脳活動信号に加え、時間方向の変化を捉えるため、一階差分 （d1）および二階差分（d2）を計算した。 脳信号の絶対値 脳信号の動き方 (変化の速度・加速度 )
10. 工夫②　個体ごとの正規化 マウスごとに脳活動信号の平均・スケール が異なるため、マウス単位で平均を引く centering 、さらに全データに対して StandardScaler による標準化を行った。 特徴量間のスケール差がなくなり、機 械学習モデルの学習が安定し、収束 が速くなる。 centering前 マウスA の脳信号: 10, 11, 12, 10, 13 マウスB の脳信号: 50, 51, 52, 50, 53 centering後 マウスA → 平均11を引く: -1, 0, 1, -1, 2 マウスB → 平均51を引く: -1, 0, 1, -1, 2
11. 工夫③　可変長時系列と mask 処理 各サンプルは可変長であるため、バッチ学習時には最大長に padding し、同時に mask を作成した。 モデル入力段階と損失計算時にも mask を適用した → padding による誤学習を防ぐため
12. 工夫④　個体差・日差の明示的モデル化 マウスIDおよび日付を embedding として表現し、時系列方向に展開して CNN+BiGRU の出力と結合した。 →　同じ脳活動パターンであっても、個体や学習日による違いをモデルが自然に吸収で きるようになる。
13. 工夫⑤　検証方法 マウス単位の GroupKFold を用いた交差検証を行った。例えば、マウスA・B・Cで学習 し、マウスDでテストするという形です。 →　未知個体に対する汎化性能を重視した。 →　アンサンブル時の重みづけにも活用しました。
14. 工夫⑥　推論後処理 異なる fold および seed で学習したモデ ルの予測をアンサンブルした。 各モデルの検証スコアに基づき重み付 けを行い、性能の低いモデルの影響を 抑制した。 予測結果にEMAとmedian filter をかけてスパイクなノイズを除去 した。
15. 感想・来年の参加者に向けて Kaggle歴がほぼない状態でこのコンペに取り組みました。私にとって一番重 要だったのは色々なことをためして、実験したことです。それによって、どうい うポイントでスコアが改善しかを分析することができて、少しずつスコアを改 善して追い上げることができました。 1. たくさん試す！過去のコンペを調べる。 2. LLMをうまく活用する！モデルの構造はLLMを使わない.。 3. 楽しむ！リーダーボードにとらわれない。
16. ご清聴ありがとうございました！