Recommended
More Related Content
More from Takuya Koumura
More from Takuya Koumura (20)
機械学習と生物の聴覚系を生理学的に比較する
- 1. 2021.03.13 Takuya KOUMURA p. 1 機械学習と生物の聴覚系を 生理学的に比較する 上村 卓也 Takuya Koumura NTT コミュニケーション科学基礎研究所 脳科学若手の会 第13回 春の研究会 2021.03.13 スライドは講演後ここに公開します。 http://cycentum.com/presentation/wakate20210313/
- 2. 2021.03.13 Takuya KOUMURA p. 2 自己紹介 NTT コミュニケーション科学基礎研究所 人間情報研究部（心理学・神経科学のラボ） 得意分野 神経科学（電気生理・生化学反応） 音の心理学（聴覚・発声） 計算（シミュレーション・機械学習・データ解析） （あまり活動していませんが）一応各種SNSアカウントあります （最近はずっと在宅）
- 3. 2021.03.13 Takuya KOUMURA p. 3 これまで＆現在の研究テーマ NTT 聴覚神経系の計算機シミュレーション 質感知覚 東大 トリのさえずり分析 さえずり聴取中の神経活動計測 生化学反応の計算機シミュレーション (J Neurosci. 39(28), 5517–5533. 2019) (Sci Rep. 7(1), 16455. 2017) (Bioacoustics, 29(3), 356–373, 2020) (NeuroReport, 25(8), 562–568, 2014) (PLoS One, 9, e99040, 2014) 岡ノ谷 一夫 先生 黒田 真也 先生
- 4. 2021.03.13 Takuya KOUMURA p. 4 Collaborators 学術変革領域研究（Ａ）「実世界の奥深い質感情報の分析と生成」 イラスト素材 古川 茂人 寺島 裕貴 Grants
- 5. 2021.03.13 Takuya KOUMURA p. 5 目次 背景 聴覚系とは 何を知りたいのか？何を達成したいのか？ ニューラルネットワークを用いた聴覚系のモデリング研究 振幅変調チューニングの神経生理 (Koumura et al. 2019 JNS) ← ワークショップ 両耳間時間差チューニングの神経生理 (on going) 振幅変調感度の心理物理 (on going) 脳活動予測・両耳聴の心理物理 (Kell 2018 Neuron; Francl & McDermott 2020 bioRxiv) ワークショップに向けて、モデル構築・分析方法の詳細 モデル構築 ニューラルネットワークの構造 ニューラルネットワークの訓練 分析 AMチューニングの計算 動物との比較
- 8. 2021.03.13 Takuya KOUMURA p. 8 Perception 知覚 外界を感じる心のはたらき（視る、聴く・・・など） 例：聴覚 音 認識 脳 耳 聴神経 振動 神経活動 変換 例：視覚 光 認識 眼 視神経 光 神経活動 変換
- 9. 2021.03.13 Takuya KOUMURA p. 9 縦列した脳領域 Auditory system 認識 音 ←Auditory nerve (AN) ←Auditory cortex (AC) ←Cochlear nucleus (CN) ←Superior olivary complex (SOC) ←Nuclei of the lateral lemniscus (NLL) ←Inferior colliculus (IC) ←Medial geniculate body (MGB)
- 10. 2021.03.13 Takuya KOUMURA p. 10 Investigating the auditory system 電極 刺激 (Liang 2002 J Neurophysiol) 神経活動 刺激の物理量 発火頻度 チューニング (Zhang 2006 J Neurophysiol) １つ１つのニューロンの性質を調べる 単一ユニット記録
- 11. 2021.03.13 Takuya KOUMURA p. 11 Investigating the auditory system 刺激 MRI (Norman-Haignere 2015 Neuron) 場所ごとのチューニング 全体の活動を大雑把に見る イメージング
- 12. 2021.03.13 Takuya KOUMURA p. 12 How to understand them? 刺激の種類 × ニューロン数 × 記録手法 × 動物種 × ・・・ → どうやって理解するか？ → 計算機でシミュレーション
- 13. 2021.03.13 Takuya KOUMURA p. 13 Computational models of the auditory system 生理学的モデル チャネルタンパク質の特性 膜電位の時間変化 などを再現 発火時刻 末梢から積み上げていくことが多い (Verhulst 2018 Hear Res) (牧 2004 日本音響学会誌)
- 14. 2021.03.13 Takuya KOUMURA p. 14 Computational models of the auditory system 生理学的モデル チャネルタンパク質の特性 膜電位の時間変化 などを再現 発火時刻 末梢から積み上げていくことが多い (Bruce 2018 Hear Res) (牧 2004 日本音響学会誌)
- 15. 2021.03.13 Takuya KOUMURA p. 15 Computational models of the auditory system Functional model 音 聴覚神経系 認識 音 モデル 認識 生理学的性質を比較
- 16. 2021.03.13 Takuya KOUMURA p. 16 Sound recognition by a computer 例：Google Docs
- 17. 2021.03.13 Takuya KOUMURA p. 17 Two approaches for modeling the brain 生理学的性質の再現 機能の再現 生理学的モデル 機能的モデル (Kriegeskorte & Douglas 2018 Nat Neurosci)
- 18. 2021.03.13 Takuya KOUMURA p. 18 目次 背景 聴覚系とは 何を知りたいのか？何を達成したいのか？ ニューラルネットワークを用いた聴覚系のモデリング研究 振幅変調チューニングの神経生理 (Koumura et al. 2019 JNS) ← ワークショップ 両耳間時間差チューニングの神経生理 (on going) 振幅変調感度の心理物理 (on going) 脳活動予測・両耳聴の心理物理 (Kell 2018 Neuron; Francl & McDermott 2020 bioRxiv) モデル構築・分析方法の詳細 モデル構築 ニューラルネットワークの構造 ニューラルネットワークの訓練 分析 AMチューニングの計算 動物との比較
- 19. 2021.03.13 Takuya KOUMURA p. 19 Amplitude modulation (AM) 振幅の緩やかな変化 音の認識に重要 変調の速さである変調周波数で表現されることが多い (Shannon 1995 Science; Gygi 2004 J Acoust Soc Am)
- 20. 2021.03.13 Takuya KOUMURA p. 20 Neural representation of AM 刺激 電極 (Liang 2002 J Neurophysiol) 神経活動 AMチューニング 単一ユニット記録 AM頻度 発火頻度 AM頻度 同期性
- 21. 2021.03.13 Takuya KOUMURA p. 21 Systematic transformation of AM representation AN SOC CN NLL IC MGB AC
- 22. 2021.03.13 Takuya KOUMURA p. 22 Known & unknown 神経生理学の研究 聴覚神経系がAMをどのように表現しているか（HOW） 疑問 聴覚神経系はなぜそのように表現するのか（WHY） 仮説 音の認識に適した性質が進化してきた？
- 23. 2021.03.13 Takuya KOUMURA p. 23 Method overview 自然音 認識 モデル 認識 自然音
- 24. 2021.03.13 Takuya KOUMURA p. 24 Method overview 自然音 認識 認識 自然音 NN 刺激音 単一 ユニット 記録 刺激音 単一 ユニット 記録 チューニング を比較 NN
- 25. 2021.03.13 Takuya KOUMURA p. 25 Natural sound recognition 学習データ ESC-50の一部 環境音＋動物の鳴き声 18カテゴリ 約5 s ×40クリップ / カテゴリ 合計53.9分 正答率＝62.6% （chance = 5.6%） (Piczak 2015 MM '15)
- 26. 2021.03.13 Takuya KOUMURA p. 26 Single unit response in the trained DNN AM頻度 刺激 ある素子の活動 時間コード 頻度コード
- 27. 2021.03.13 Takuya KOUMURA p. 27 Systematic transformation of AM representation AN SOC CN NLL IC MGB AC
- 28. 2021.03.13 Takuya KOUMURA p. 28 Similarity throughout the entire cascade
- 29. 2021.03.13 Takuya KOUMURA p. 29 Emerging similarity during training 学習の進行 Spearman’s rank correlation coefficient ρ = 0.84 (p = 8.57×10−28)
- 30. 2021.03.13 Takuya KOUMURA p. 30 Conclusions DNNを自然音認識で訓練 聴覚神経系と類似したAM表現が発現 聴覚神経系と類似するようにモデルを設計/訓練したわけではない → 聴覚神経系におけるAM表現も、自然音認識に適した性質が進化してきた 可能性 → 疑問「聴覚神経系はなぜそのように表現するのか（WHY）」への本研究の 答え
- 31. 2021.03.13 Takuya KOUMURA p. 31 目次 背景 聴覚系とは 何を知りたいのか？何を達成したいのか？ ニューラルネットワークを用いた聴覚系のモデリング研究 振幅変調チューニングの神経生理 (Koumura et al. 2019 JNS) ← ワークショップ 両耳間時間差チューニングの神経生理 (on going) 振幅変調感度の心理物理 (on going) 脳活動予測・両耳聴の心理物理 (Kell 2018 Neuron; Francl & McDermott 2020 bioRxiv) ワークショップに向けて、モデル構築・分析方法の詳細 モデル構築 ニューラルネットワークの構造 ニューラルネットワークの訓練 分析 AMチューニングの計算 動物との比較
- 32. 2021.03.13 Takuya KOUMURA p. 32 Binaural cues for sound localization 両耳間時間差（Interaural time difference; ITD） 両時間強度差（Interaural level difference; ILD） 音源定位 音源検出 に重要 音源同定
- 33. 2021.03.13 Takuya KOUMURA p. 33 ITD tuning 刺激音 単一ユニット記録 (Yin 1986 J Neurophysiol)
- 34. 2021.03.13 Takuya KOUMURA p. 34 Method overview 自然音 認識 認識 自然音 NN 刺激音 刺激音 単一 ユニット 記録 単一 ユニット 記録 チューニング を比較 NN
- 35. 2021.03.13 Takuya KOUMURA p. 35 Binaural sound recognition バイノーラルマイクによって市街地で録音された音 （例） (Mesaros 2016 Eur Signal Process Conf)
- 36. 2021.03.13 Takuya KOUMURA p. 36 第1層 第4層 第7層 第10層 第13層 (Yin 1986 J Neurophysiol) ITDチューニングの例
- 37. 2021.03.13 Takuya KOUMURA p. 37 Best ITDの分布 Human Physiological range (± 0.7 ms)
- 38. 2021.03.13 Takuya KOUMURA p. 38 Conclusions DNNを両耳自然音認識で訓練 聴覚神経系と類似したITDチューニングが発現？ 聴覚神経系と類似するようにモデルを設計/訓練したわけではない → 聴覚神経系におけるITDチューニングも、自然音認識に適した性質が進化し てきた可能性？ 音源定位でなくてもよい
- 39. 2021.03.13 Takuya KOUMURA p. 39 目次 背景 聴覚系とは 何を知りたいのか？何を達成したいのか？ ニューラルネットワークを用いた聴覚系のモデリング研究 振幅変調チューニングの神経生理 (Koumura et al. 2019 JNS) ← ワークショップ 両耳間時間差チューニングの神経生理 (on going) 振幅変調感度の心理物理 (on going) 脳活動予測・両耳聴の心理物理 (Kell 2018 Neuron; Francl & McDermott 2020 bioRxiv) ワークショップに向けて、モデル構築・分析方法の詳細 モデル構築 ニューラルネットワークの構造 ニューラルネットワークの訓練 分析 AMチューニングの計算 動物との比較
- 40. 2021.03.13 Takuya KOUMURA p. 40 Sensitivity to AM Time（s） Amplitude Discriminate? Depth Detection threshold （Imaginary data） Depth Correct （%） 50 100 70.7 AM rate （Hz） Depth at threshold （dB） (Viemeister 1979 J Acoust Soc Am) Threshold depends on AM rate Single person Modulation transfer function (MTF)
- 41. 2021.03.13 Takuya KOUMURA p. 41 Threshold also depends on carriers Depth at threshold （dB） Broadband (Dau 1997 J Acoust Soc Am) 314 Hz 31 Hz 3 Hz (Viemeister 1979 J Acoust Soc Am) (Lorenzi 2001 J Acoust Soc Am) Broadband Fixed Fixed Fixed Fixed Random MTF Carrier bandwidth AM rate （Hz） AM starting phase
- 42. 2021.03.13 Takuya KOUMURA p. 42 1. A model for natural sound recognition 2. Compare AM sensitivity with human Compare sensitivity Stimulus AM detection Stimulus AM detection Method: computational simulation Recognize Natural sound Recognize Modeling Natural sound
- 43. 2021.03.13 Takuya KOUMURA p. 43 Results: Human-like MTFs in the higher layer 1st 3rd 5th 7th 9th 11th 13th Layers Depth at threshold (dB) Broadband 314 Hz 31 Hz 3 Hz Broadband Fixed Fixed Fixed Fixed Random Carrier bandwidth (Viemeister 1979 JASA) (Dau 1997 JASA) (Lorenzi 2001 JASA) NN Human AM starting phase AM rate (Hz)
- 45. 2021.03.13 Takuya KOUMURA p. 45 目次 背景 聴覚系とは 何を知りたいのか？何を達成したいのか？ ニューラルネットワークを用いた聴覚系のモデリング研究 振幅変調チューニングの神経生理 (Koumura et al. 2019 JNS) ← ワークショップ 両耳間時間差チューニングの神経生理 (on going) 振幅変調感度の心理物理 (on going) 脳活動予測・両耳聴の心理物理 (Kell 2018 Neuron; Francl & McDermott 2020 bioRxiv) ワークショップに向けて、モデル構築・分析方法の詳細 モデル構築 ニューラルネットワークの構造 ニューラルネットワークの訓練 分析 AMチューニングの計算 動物との比較
- 46. 2021.03.13 Takuya KOUMURA p. 46 インターンシップも頻繁に募集してます 過去に私が募集したインターン 2017年冬 多様な聴知覚を引き起こす音波形を合成・ 変換するための深層学習手法の検討 2019年夏 聴覚系の計算モデルの実装・評価・ シミュレーション実験 民間企業で純粋なサイエンスの研究の インターンができる！ https://www.ntt-labs.jp/internship/ 公募じゃない募集もあります （時期は公募と同じ）
- 47. 2021.03.13 Takuya KOUMURA p. 47 目次 背景 聴覚系とは 何を知りたいのか？何を達成したいのか？ ニューラルネットワークを用いた聴覚系のモデリング研究 振幅変調チューニングの神経生理 (Koumura et al. 2019 JNS) ← ワークショップ 両耳間時間差チューニングの神経生理 (on going) 振幅変調感度の心理物理 (on going) 脳活動予測・両耳聴の心理物理 (Kell 2018 Neuron; Francl & McDermott 2020 bioRxiv) ワークショップに向けて、モデル構築・分析方法の詳細 モデル構築 ニューラルネットワークの構造 ニューラルネットワークの訓練 分析 AMチューニングの計算 動物との比較
- 48. 2021.03.13 Takuya KOUMURA p. 48 脳活動予測：方法 自然音 認識 認識 自然音 NN NN 刺激音 刺激音 fMRI 脳活動を 直接予測 (Kell 2018 Neuron)
- 49. 2021.03.13 Takuya KOUMURA p. 49 Predicting neural activities from DNN activities (Kell 2018 Neuron)
- 50. 2021.03.13 Takuya KOUMURA p. 50 Difference among brain regions AN SOC CN NLL IC MGB AC 高次聴覚野 ↑ 一次聴覚野 (Kell 2018 Neuron)
- 51. 2021.03.13 Takuya KOUMURA p. 51 両耳聴の心理物理 1. A model for sound localization 2. Compare localization sensitivity with humans Localize Natural sound Localize Modeling Natural sound Compare sensitivity (Francl & McDermott 2020 bioRxiv)
- 52. 2021.03.13 Takuya KOUMURA p. 52 ヒトと類似した性質が発現 (Francl & McDermott 2020 bioRxiv)
- 53. 2021.03.13 Takuya KOUMURA p. 53 目次 背景 聴覚系とは 何を知りたいのか？何を達成したいのか？ ニューラルネットワークを用いた聴覚系のモデリング研究 振幅変調チューニングの神経生理 (Koumura et al. 2019 JNS) ← ワークショップ 両耳間時間差チューニングの神経生理 (on going) 振幅変調感度の心理物理 (on going) 脳活動予測・両耳聴の心理物理 (Kell 2018 Neuron; Francl & McDermott 2020 bioRxiv) ワークショップに向けて、モデル構築・分析方法の詳細 モデル構築 ニューラルネットワークの構造 ニューラルネットワークの訓練 分析 AMチューニングの計算 動物との比較
- 54. 2021.03.13 Takuya KOUMURA p. 54 Method overview 自然音 認識 認識 自然音 NN 刺激音 単一 ユニット 記録 刺激音 単一 ユニット 記録 チューニング を比較 NN
- 55. 2021.03.13 Takuya KOUMURA p. 55 Neural network architecture 研究の目的 聴覚神経系の理解 神経生理学のデータの解釈 認識精度を上げたいなら・・・ (Vaswani et al. 2017 NeurIPS) (van den Oord et al. 2016 arXiv) → なるべく単純なモデルが良い！ • 全層で等しい素子数 • Convolution + rectificationのみ • 入力に前処理しない
- 56. 2021.03.13 Takuya KOUMURA p. 56 Neural network architecture 128素子 × 13層 各素子の構成： Dilated convolution Exponential Linear Unit 入力：0.19 sの音波形 出力：カテゴリ (Clevert et al. 2016 ICLR)
- 57. 2021.03.13 Takuya KOUMURA p. 57 Dilated convolution 𝑥𝑙,𝑢,𝑡 = 𝑓 𝑤𝑙,𝑙−1,𝑢,𝑣,𝑠𝑥𝑙−1,𝑣,𝑡−𝑠 + 𝑏𝑙,𝑢 𝑣 = 1, … , 128 s = 0, 3, 6, 9, 12, 15 t t−3 t−6 t−9 t−12 t−15 Unit v Unit u Layer l Layer l−1 f = (Clevert et al. 2016 ICLR) 別の考え方： 普通の（dilatedでない）畳み込みの、weightが等間隔で0になったもの
- 58. 2021.03.13 Takuya KOUMURA p. 58 Why dilated? Why not pooling or stride? 受容野（=入力できる音の長さ）を広げるため 研究の目的（のひとつ） 同期する周波数が下がる、という性質を検証したい ネットワーク構造由来の理由で時間解像度を下げたくない Poolingを使っていると、それだけで同期する周波数が下がる 同期する周波数が下がったのは学習の結果、と言いたい ネットワーク構造の段階では、同期する周波数が下がる可能性も、下がらない可能性も、 両方残したい Strideよりも、dilated convolutionのほうが柔軟に構造を作れる Strideのみを使った構造はdilated convolutionで同等のものが作れる 逆はできないことがある
- 59. 2021.03.13 Takuya KOUMURA p. 59 学習データ ESC-50の一部 環境音＋動物の鳴き声 18カテゴリ 約5 s ×40クリップ / カテゴリ 合計53.9分 TIMIT 発話内の音素ラベル 39カテゴリ 合計3.3時間 話者数：訓練セット462、評価セット24 (Piczak 2015 MM '15) (Garofolo et al. 1993 Linguistic Data Consortium)
- 60. 2021.03.13 Takuya KOUMURA p. 60 学習 分類精度が上がるようにwとbを調整 ソフトマックス交差エントロピー 分類精度の悪さの指標 確率勾配法 𝐸 = − 𝑖 log 𝑦𝑖,𝑐 データサンプル 正しいカテゴリ − 𝜕𝐸 𝜕𝑤 、 − 𝜕𝐸 𝜕𝑏 の方向に、wとbを少しずつ変化させる より詳細には、 • 論文ではEve • 公開したコードでは、Adam (Koushik & Hayashi 2016 arXiv) (Kingma & Ba 2015 ICLR)
- 61. 2021.03.13 Takuya KOUMURA p. 61 刺激 神経生理では 論文によって色々 搬送波 = 純音 or 白色雑音 or パルス列 本研究では、正弦波AM × 白色雑音搬送波 𝑥 𝑡 = 𝐴 × 𝑒𝑛𝑣𝑒𝑙𝑜𝑝𝑒 𝑡 × 𝑐𝑎𝑟𝑟𝑖𝑒𝑟 𝑡 𝑒𝑛𝑣𝑒𝑙𝑜𝑝𝑒 𝑡 = 1 − cos 2𝜋𝑓𝑡 𝑐𝑎𝑟𝑟𝑖𝑒𝑟 𝑡 ~𝑁 0, 1 f ：変調周波数（Hz） 𝑅𝑀𝑆 𝑥 = σ𝑡 𝑥 𝑡 2 𝑙𝑒𝑛𝑔𝑡ℎ が訓練データの平均と等しくな るようにAを調整 f = 4 Hzの場合
- 62. 2021.03.13 Takuya KOUMURA p. 62 AM頻度 刺激 ある素子の活動 反応 神経細胞の場合 スパイク 本研究では、 素子の活動（= 出力） 活性化関数をかけた後の値 + 1 -1 ≦ 活性化関数をかけた後の値 < ∞ なので
- 63. 2021.03.13 Takuya KOUMURA p. 63 AMの時間コードの指標 スパイクの場合 ベクトル強度 スパイク時刻が刺激のAMの位相にどれくらい同期しているか？ 𝑟 = σ𝑖 cos 𝜃𝑖 2 + σ𝑖 sin 𝜃𝑖 2 𝑛 θ スパイクの位相、n スパイク数 本研究のモデルでは、反応は連続値 t 離散時刻、a(t) 素子の活動、fm AM周波数、fs サンプリング周波数
- 64. 2021.03.13 Takuya KOUMURA p. 64 AMの頻度コードの指標 スパイクの場合 平均発火頻度 = 発火数 / 刺激時間 本研究のモデルでは、反応は連続値 平均活動強度 = 素子の活動値の時間平均
- 65. 2021.03.13 Takuya KOUMURA p. 65 AMチューニング ベクトル強度や平均発火頻度を、AM周波数ごとに独立に計算 変調伝達関数（modulation transfer function, MTF） 時間コーディングのMTF → temporal MTF (tMTF) 頻度コーディングのMTF → rate MTF (rMTF) 神経生理でよくある分析 搬送波への反応よりも統計的に有意に大きい反応のみを分析 本研究のモデルでは 確率的要素が無い 統計検定が不可能 搬送波への反応よりも0.01以上大きい反応のみを分析 0.01は恣意的（生理実験でも、こういう閾値はたいてい恣意的） 時間コード 頻度コード MTF
- 66. 2021.03.13 Takuya KOUMURA p. 66 MTFの分析 最適変調周波数 argmaxf(MTF(f)) カットオフ周波数 神経生理の論文によって定義が異なる 最大値の50% (Eggermont, 1998; Zhang and Kelly, 2006) 最大値の80% (Rhode and Greenberg, 1994; Kuwada and Batra, 1999) 最大値の70% = −3 dB (Joris and Yin, 1992, 1998; Joris and Smith, 1998) 最大値と最小値を9:1に分ける点 (Krishna and Semple, 2000) 絶対値0.1 (Rhode and Greenberg, 1994; Zhao and Liang, 1995) 統計的に有意となる最大の変調周波数 (Batra et al., 1989; Kuwada and Batra, 1999; Krishna and Semple, 2000; Lu and Wang, 2000; Lu et al., 2001; Liang et al., 2002; Batra, 2006; Bartlett and Wang, 2007; Scott et al., 2011)
- 67. 2021.03.13 Takuya KOUMURA p. 67 神経生理学のメタ解析 → (Joris & Yin 1992 JASA) (Batra 2006 JNP) →
- 68. 2021.03.13 Takuya KOUMURA p. 68 動物とモデルの比較 最適変調周波数とカットオフ周波数の分布の類似度 類似度 = 1 − Kolmogorov–Smirnov距離 ニューラルネットの層 × 聴覚神経系の領域 (最適変調周波数 or カットオフ周波数) × (時間コーディング or 頻度コーディング) → 類似度を平均
- 69. 2021.03.13 Takuya KOUMURA p. 69 ワークショップですること 自由に考えてください！ アイデアに困ったら・・・ 周波数分解した入力 AM以外の特徴へのチューニング（FM、時間スペクトル変調、etc） NNの構造を変える（層の数、バッチ正規化、スキップ接続、etc） 異なるデータセットで学習 結果報告のときは 数年間かけて1本の論文を書くときは、面白い結果が出るまでがんばってもいい ワークショップは数時間 予想通りの結果が出なかった、面白い結果が出なかった、etc → 全く問題なし！ 何をして（方法）何が出たか（結果）、をちゃんと報告することが重要！
- 70. 2021.03.13 Takuya KOUMURA p. 70 機械学習と生物の聴覚系を 生理学的に比較する 上村 卓也 Takuya Koumura NTT コミュニケーション科学基礎研究所 脳科学若手の会 第13回 春の研究会 2021.03.13 スライドは講演後ここに公開します。 http://cycentum.com/presentation/wakate20210313/