| Project/Area Number |
21K11845
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 60060:Information network-related
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
小南 大智 大阪大学, 大学院情報科学研究科, 助教 (00709678)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥2,990,000 (Direct Cost: ¥2,300,000、Indirect Cost: ¥690,000)
Fiscal Year 2023: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2022: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2021: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
|
|---|
| Keywords | Internet of Things / ベイズ推定 / 集団意思決定 / マルチモーダル処理 / 階層型アーキテクチャ |
|---|
| Outline of Research at the Start |
今後ますますクリティカルな社会基盤となる、Internet of Things における高度な意思決定を可能とする意思決定技術を確立する。そのために、大規模なネットワークシステムを対象に、多種多様な観測情報を統合してリアルタイムに分析を行うことが必要となる。本研究課題では最新の脳科学の知見を用いることでこの問題を解決することを目指す。
|
| Outline of Annual Research Achievements |
今後の社会基盤に必須となる、IoT (Internet of Things) における高度な意思決定を可能とする意思決定技術を確立することを目的とし、脳科学の知見を用いる意思決定手法に関する研究を実施した。
前年度までに、多種多様な情報を統合的に扱うことのできる意思決定モデルを構築した。2022年度はこれまでに構築したモデルを元に、センシングを行う多種の機器が接続するネットワークシステムにおいて、観測結果に基づいて事象の推論を行うシナリオを想定した計算機シミュレーションを実施した。脳の情報処理モデルの一つであるベイジアンアトラクターモデルでは認識結果を表現するための隠れ変数の推定を行うものであり、観測情報を元に逐次的にこの状態変数を推定する。異なるセンシング機器間の認識結果は、この隠れ変数を用いて統合される。また、観測情報に含まれる誤差情報を用いることで、どの程度各機器における情報が信頼できるかを表現可能であり、この信頼度に基づく重み付けが、事象の推定における精度向上に重要であることを確認した。シミュレーションにおいては、センシング機器から取得可能な特徴量について確率分布表現したモデル化を行っている。センシング機器の得られる情報の不確実性が時間によって変化する状況において、内部の隠れ変数の分散の推定値が、推定結果の信頼性に関連することを確認し、より信頼性の高い推定結果を重視することで最終的な推定結果が高い正解率を獲得できることを示した。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
具体的な手法の提案および、理論的な検証、計算機シミュレーションによる評価実験まで順調に実施している。研究発表についてのスケジュールが評価シナリオの確定に時間を要したため、遅れている。
|
| Strategy for Future Research Activity |
現在、事象の推定のための特徴量については簡易にモデル化したものを用いている。具体的なシナリオを想定した上で、特徴量抽出から推定まで行った上での評価を検討している。また、意思決定の階層的なモデリングに取り組む。上位の層における情報統合の方法と、上位から下位の層にあたえられる統合後の情報を、下位の層がどのように活用するのかについて、これから研究を進める予定である。
|
