ドイツで開催された，International Conference on Artificial Neural Networks (ICANN 2019)で，
「Variational Deep Embedding with Regularized Student-t Mixture Model」
「Continual Learning Exploiting Structure of Fractal Reservoir Computing」
の２件を発表しました．
１つ目は，入力データに含まれる重要な情報を確率的潜在空間として抽出する変分オートエンコーダの拡張です． 具体的には，潜在変数の事前分布である標準正規分布をスチューデントt分布の混合モデルへ変更しました． 加えて，各コンポーネントのメタ事前分布は標準正規分布と仮定しました． これらにより，潜在空間上での入力データの分類が可能となる上，空間が連続であるような拘束条件を与えられます． このような潜在空間はロボット制御において重要な役割を果たすことができます．
２つ目は，リザーバコンピューティングにおける破滅的忘却を回避・緩和するための手法です． 具体的には，タスクに対応して発火するニューロンを明確に振り分けるためのネットワーク設計を行いました． ただし，完全なモジュール化は避け，モジュール間の結合を維持することで潜在的な共通タスクを表現可能となるようにしました． これにより，ロボットは複数のタスクを順番に学習していくことが可能となります．