Wide Learning
本サイトについて
- Wide Learningは、富士通研究所が研究開発したXAI（Explainable AI：説明可能なAI）です。
- 本サイトでは、Wide Learningの最新の活用状況や、Trial Tool（体験ツール）に関する情報を提供します。
- 関連研究：Fujitsu AutoML, Fujitsu Causal AI
Contents
Wide Learning NEWS
- 2026年4月6日：
- 論文掲載
- AGU(米国地球物理学連合)の論文誌 "Space Weather" に、「Wide Learning」の関連論文が掲載されました。
- 著者: Naho Fujita, Yuta Kato, Kanya Kusano, Takashi Yanase, Chihiro Mitsuda
- 「Human-Interpretable SEP Event Prediction Using White-Box Explainable AI」
- 2026年4月2日：
- 学会発表
- AMS(米国気象学会)主催の国際会議 "The 37th AMS Conference on Hurricanes and Tropical Meteorology" にて、「Wide Learning」の関連論文を発表しました。
- 著者: Takeshi Horinouchi, Takashi Yanase, Yuiko Ohta, Daisuke Matsuoka, Asanobu Kitamoto, Udai Shimada, Ryuji Yoshida, and Hironori Fudeyasu
- 「Statistical Prediction of Tropical Cyclone Rapid Intensification with Explainable AI」
- 2026年3月1日：
- 論文掲載
- 人工知能学会論文誌に、「Wide Learning」の関連論文が掲載されました。
- 著者: 大倉 清司, 浅井 達哉, 岩下 洋哲, 福田 茂紀, 垣渕 太成, 阿部 莉織, 大堀 耕太郎
- 「データに基づいた意外な当選理由の抽出とその報道への活用～報道と有権者をつなぐAI を目指して～」
- 2025年10月1日：
- 論文掲載
- AMS(米国気象学会)の論文誌 "Weather and Forecasting" に、「Wide Learning」の関連論文が掲載されました。
- 著者: Takeshi Horinouchi, Takashi Yanase, Yuiko Ohta, Daisuke Matsuoka, Asanobu Kitamoto, Udai Shimada, Ryuji Yoshida, and Hironori Fudeyasu
- 「Statistical Prediction of Tropical Cyclone Rapid Intensification with Explainable AI」
- 2024年9月5日：
- 富士通プレスリリース
- MoBagel社のAutoMLプラットフォーム「Decanter AI」への、「Fujitsu AutoML」と「Wide Learning」のライセンス提供を発表しました。
- 「富士通とMoBagel、AIによる予測を高速化するソリューションを提供し、ビジネスプロセス変革を加速」
- 2024年3月14日：
- 富士通プレスリリース
- 東海国立大学機構との宇宙天気予測に関する共同研究に、「Wide Learning」が活用されました。
- 「東海国立大学機構と富士通、包括協定における宇宙天気予測の課題探索や技術開発を加速」
- 2024年2月28日：
- 富士通プレスリリース
- こども・家庭支援に関する佐渡市との共同実証に、「Wide Learning」が活用されます。
- 「佐渡市と富士通、こどもと家庭への支援強化に向けた取り組みを加速」
- 2022年11月30日：
- 論文掲載
- 医学系論文誌 "Frontiers in Medicine" に、「Wide Learning」の関連論文が掲載されました。
- 著者: Reiko Muto, Shigeki Fukuta, Tetsuo Watanabe, Yuichiro Shindo, Yoshihiro Kanemitsu, Shigehisa Kajikawa, Toshiyuki Yonezawa, Takahiro Inoue, Takuji Ichihashi, Yoshimune Shiratori, Shoichi Maruyama
- 「Predicting Oxygen Requirements in Patients with Coronavirus Disease 2019 Using an Artificial Intelligence-Clinician Model Based on Local Non-Image Data」
Wide Learningの４つの特徴
特徴1. 判断根拠の説明が可能
Wide Learningは、人間にも解釈可能な仮説を用いて答えを導き出しているため、途中の計算過程や最終判断の結果を論理的かつ客観的に理解しやすく、説明可能であるという特徴をもちます。
このような特徴から、Wide Learningは、Deep Learningやその発展形である生成AI（ChatGPTなど）等のブラックボックスなAIとは対極にあるXAI（Explainable AI：説明可能なAI）の１つとして位置づけられています。
※1：ブラックボックスとは、内部の動作原理を外部から確認できず、結果のみを利用できる装置やツールのことです。
特徴2. 重要な仮説を漏れなく発見可能
では、Wide Learningはどうして説明可能なのでしょう？
その理由は、入力データに対する仮説空間において、すべての仮説を網羅的に検証し、重要な仮説（ナレッジチャンクと呼んでいます）を漏れなく発見するからです。
また、仮説空間の中に重要な仮説が１つもない場合は、「ない」ことを厳密な意味で証明できます。
ここで、Wide Learningが扱う仮説空間は、入力データにおけるデータ項目のすべての組み合わせになります。
データ項目のすべての組み合わせを検証するためには、天文学的な数の組み合わせを効率よく計算する必要があります。
富士通研究所は、発見科学（※2）の研究に長年取り組む中で、超高速な組み合わせ計算技術を開発してきました。
※2：発見科学とは、1990年代に九州大学の有川節夫教授（現・名誉教授）が提唱した研究分野。コンピュータを用いて仮説や知識を発見するための理論研究および実践研究を展開している。
特徴3. 少量のデータでも⾼精度な判断が可能
Wide Learningは、大量の学習データを用意できなくても、手元にある少量のデータから十分に大きな仮説空間を構築し、重要な仮説を網羅的に発見できます。
たとえば、工場の製造ラインで不良品の発生原因を分析したいとしましょう。ところが、一般的には不良品はめったに発生しないので、「不良品発生時のデータを大量に集めるのは難しい」という問題にぶつかります。
しかし、Wide Learningは、数十件から数百件程度のデータさえあれば、不良品にのみ当てはまるような重要な仮説を発見し、不良品の発生原因の分析を始めることができるのです。
特徴4. アクションプランを⾃動で提示が可能
最後の特徴は、Wide Learningの学習結果を元に、実際のアクションが実行可能な点です。
Wide Learningは仮説空間におけるすべての仮説を網羅的に検証しています。
この情報を用いることで、たとえばデジタルマーケティングにおいては、「購入率の低い仮説」と「購入率の高い仮説」の差分を計算し、その差分がもっとも顕著なもの（＝購入率の上昇幅が一番大きなもの）を「アクションプラン」として提示できるのです。
富士通のマーケティング部門による実験では、マーケティングの専門家が立案したアクションプランよりも、Wide Learningが提案したアクションプランの方が、顧客のカバー率と平均購入見込み率が共に高いことを確認しています。
Trial Tool（Wide Learning体験ツール）
- 富士通研究所は、Wide Learningの体験利用ができる環境「Trial Tool」を提供しています（※）。
- ※ いくつかのコア機能を制限させていただいております。
- 詳細は以下のリンク先をご覧ください。
- Trial Tool（体験ツール）へ
- Traial Tool利用例
- 動物の情報を使って哺乳類判別できるか試してみよう。
- 事例紹介へ
© 2020 - 2026 FUJITSU Limited