シンシア・ダイアン・ルーディン（1976年生まれ）は、アメリカのコンピューター科学者および統計学者であり、機械学習を専門とし、解釈可能な機械学習の研究で知られている。彼女はデューク大学の解釈可能機械学習ラボのディレクターを務め、同大学でコンピューター科学、電気・コンピューター工学、統計科学、生物統計学およびバイオインフォマティクスの教授を務めている。2022年には、高リスク領域におけるAIシステムの透明性の重要性に関する研究が評価され、米国人工知能学会（AAAI）から人工知能の人類への利益のためのスクイレルAI賞を受賞した。さらに、2024年には機械学習における研究が認められ、米国科学振興協会（AAAS）のフェローに選出された。
ルーディンの研究は、重要な応用における深層学習およびニューラルネットワークモデルへの一般的な依存に異議を唱え、解釈可能なモデルが同等の精度を達成しながら透明性を提供できると主張している。彼女の提唱は、特に個人と社会に重大な影響を与える決定が下される刑事司法や医療の分野において、政策議論や学術的実践に影響を与えてきた。
教育と経歴
ルーディンは1999年にバッファロー大学を数学物理学と音楽理論の二重専攻で最優等で卒業した。2004年にはプリンストン大学で応用・計算数学の博士号を取得した。彼女の博士論文「ブースティング、マージン、およびダイナミクス」は、イングリッド・ドベシーとロバート・シャピアの指導の下で執筆された。大学院での研究において、ルーディンはブースティングアルゴリズムの収束特性を証明し、AdaBoostがL1マージン（決定境界と最も近いデータ観測値との間の距離の一種）を最大化するかどうかという、よく研究された問題に答えた。
ニューヨーク大学での博士研究員およびコロンビア大学での准研究科学者としてのポストを経て、2009年にMITスローン経営大学院の教員職に就き、2016年にデューク大学へ移った。デューク大学では、複数の学部にまたがる兼任ポストを保持しており、彼女の研究の学際的性質を反映している。
ルーディンは、INFORMSのデータマイニング部門およびアメリカ統計学会の統計学習・データサイエンス部門の委員長を務めた。DARPAのISAT教員諮問委員会に参加し、AAAIの評議員、司法省援助局刑事司法技術予測グループ（BJA CJTFG）のメンバーでもあった。現在はACM SIGKDDの執行委員会に参加し、米国科学・工学・医学アカデミーの応用・理論統計委員会（CATS）および法律・司法委員会（CLAJ）のメンバーを務めている。また、『Management Science』、『Harvard Data Science Review』、『Journal of Quantitative Criminology』の准編集者でもある。
受賞と栄誉
ルーディンの貢献は数多くの栄誉を獲得している。2019年には、アメリカ統計学会および数理統計学会のフェローに選出され、「解釈可能な機械学習アルゴリズム、大規模医療データベースにおける予測、ランキングアルゴリズムの理論的特性への貢献」が評価された。2022年には人工知能学会（AAAI）のフェローに選出され、同年にグッゲンハイム自然科学フェローシップも受賞した。
彼女は、電力網の信頼性に関する研究で2013年のINFORMS革新的応用分析賞、認知機能低下の評価のための解釈可能な機械学習モデルに関する研究で2016年の同賞、集中治療室で使用される2HELPS2Bスコアにつながる重篤患者における発作予測のための解釈可能な機械学習モデルに関する研究で2019年の同賞を受賞した。ルーディンは2021年にINFORMSの製造・サービス運用管理部門から運用研究における最優秀運用管理論文賞を共同受賞し、2018年にはFICO説明可能機械学習チャレンジで認識賞を受賞した。2017年にはダニエル・H・ワグナー優秀運用研究賞の最終候補者となった。
ルーディンは2015年にBusiness InsiderによってMITで最も印象的な教授12人の一人に選ばれた。彼女はKDD（2014年および2019年）、AISTATS、ノーベル会議（2021年）、IJCAI 2025で基調講演を行った。2025年にはACMフェローのクラスに選出され、「解釈可能な機械学習と社会的応用への貢献およびリーダーシップ」が評価された。
解釈可能な機械学習の提唱
ルーディンは、刑事司法制度や高リスクの決定におけるブラックボックスモデルへの批判でよく知られており、同等に正確な解釈可能なモデルを構築できると主張している。2019年に『Nature Machine Intelligence』に掲載された影響力のある論文「高リスク決定のためにブラックボックス機械学習モデルを説明するのをやめ、代わりに解釈可能なモデルを使用せよ」は、複雑なモデルの事後説明が不十分である理由をいくつか概説している。彼女は、医療、刑事司法、金融などの分野で使用される人工知能システムは、外部の説明メカニズムに依存するのではなく、本質的に透明であるべきだと主張している。
この見解は、生成AIや大規模なトランスフォーマーモデルにおいて、解釈可能性よりも性能が優先されることが多い支配的な傾向とは対照的である。ルーディンの研究は、AIシステムを人間の価値観やニーズに合わせることを重視する人間中心人工知能コミュニティにとって影響力のある情報源となっている。彼女は、機械学習ジャーナルの科学と社会のための機械学習特集号の編集や、アメリカ統計学会の報告書「データによる発見：統計学とコンピューター科学を活用して科学と社会を変革する」の組織化など、機械学習における社会的利益の応用を促進するためのいくつかの取り組みを主導してきた。
電力網と公共安全への応用
2007年から、ルーディンはコロンビア大学とコン・エジソンとの共同プロジェクトで、ニューヨーク市の二次配電ネットワークを維持するために機械学習を使用する主任科学者を務めた。このプロジェクトは、機器の故障を予測および防止することを目的としており、2013年のINFORMS革新的応用分析賞を受賞した。この研究は、解釈可能なモデルが重要なインフラに適用でき、エンジニアに実用的な洞察を提供しながら信頼性を維持できることを実証した。
ルーディンは、学生のトン・ワンおよびマサチューセッツ州ケンブリッジのケンブリッジ警察署の刑事たちとともに、犯罪系列検出のためのシリーズファインダーアルゴリズムを開発した。シリーズファインダーは、NYPDが同一人物による犯罪パターンを検出するために使用するパターンイザーアルゴリズムに組み込まれた。予測警察活動におけるこの応用は、警察官が特定のパターンがフラグ付けされた理由を理解する必要があるため、法執行ツールにおける透明性の重要性を浮き彫りにした。
医療スコアリングシステム
ルーディンは、元学生のベルク・ウストゥンとともに、睡眠時無呼吸症のスクリーニングと診断、ICU患者における発作予測、成人のADHDスクリーニング、時計描画テストを用いた筆跡分析による認知機能低下の検出のための医療スコアリングシステムの開発に取り組んできた。これらのスコアリングシステムは、臨床医が特別なソフトウェアなしで使用できるほどシンプルに設計されており、多くの場合、加算型のポイントベースのツールの形を取る。この研究は2016年および2019年のINFORMS革新的応用分析賞を受賞し、ワグナー賞の最終候補にもなった。
重篤患者における発作予測のために開発された2HELPS2Bスコアは、集中治療室で採用されており、解釈可能性と予測精度を組み合わせた実用的なツールを提供している。ルーディンの医療におけるアプローチは、モデルが正確であるだけでなく、医師、看護師、患者にとって理解可能でなければならず、情報に基づいた意思決定を可能にすることを強調している。
教育と学生指導
デューク大学で、ルーディンは2018年のNTIRE単一画像超解像コンペティション（トラック1、クラシックバイキュービック）および2018年のPoeTix文学チューリングコンペティションで優勝した2つの学部生チームを指導した。これらの成果は、機械学習の技術的および創造的応用の両方で学生を指導するという彼女のコミットメントを反映している。彼女の研究室である解釈可能機械学習ラボは、透明性と公平性を優先するアルゴリズムの開発において大学院生と博士研究員を訓練している。
ルーディンの教育はデューク大学を超えて広がり、主要な会議での基調講演や、AIの社会における役割に関する公開討論への貢献を行っている。彼女の研究はNPRなどのメディアで取り上げられ、そこで彼女は医師が自己学習型コンピューターが正しい診断を下していることをどのように確信できるかについて議論し、彼女の研究の実用的な影響を強調した。
関連項目
- ティムニット・ゲブル
- ジョイ・ブオラムウィニ
- 説明可能な人工知能
参考文献
出典にはウィキペディア（CC BY-SA）および学術出版物が含まれる。
外部リンク
- ホームページ
- Google Scholarで索引されたシンシア・ルーディンの出版物
- ハリス、リチャード（2019年4月）、「医師は自己学習型コンピューターが正しい診断を下していることをどのように確信できるか」、NPR