| Project/Area Number |
23H00471
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (A)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Medium-sized Section 60:Information science, computer engineering, and related fields
|
|---|
| Research Institution | Kansai University (2024)
Osaka University (2023) |
|---|
Principal Investigator |
鷲尾 隆 関西大学, 商学部, 教授 (00192815)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
永井 健治 大阪大学, 産業科学研究所, 教授 (20311350)
山崎 啓介 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 研究チーム長 (60376936)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥46,670,000 (Direct Cost: ¥35,900,000、Indirect Cost: ¥10,770,000)
Fiscal Year 2024: ¥15,730,000 (Direct Cost: ¥12,100,000、Indirect Cost: ¥3,630,000)
Fiscal Year 2023: ¥14,300,000 (Direct Cost: ¥11,000,000、Indirect Cost: ¥3,300,000)
|
|---|
| Keywords | 一般化状態空間モデル / 機械学習 / 深層学習 / 事前知識制約 / 弱教師有学習 / 状態空間モデル / 状態モデル / 観測モデル / 損失関数 / リスク関数 / 弱学習 |
|---|
| Outline of Research at the Start |
現状の深層・機械学習は、対象の観測データから対象系と観測系を切り分けたモデル学習を行い難く、対象系のメカニズムや観測系の影響を適切に理解できない事が多い。隠れマルコフモデリングなど限られた手法を除き、一般の深層・機械学習で一般化状態空間モデルを学習する体系的研究は世界的に殆ど行われていない。広範な問題で状態モデルと観測モデルを峻別して学習する深層・機械学習の研究開発が望まれる。本研究では、対象の状態モデルとその観測モデルからなる一般化状態空間モデルや逆推定を行う各モデルの復元モデルを切り分けて学習可能な深層・機械学習の一般的原理・技術を開発し、生体観測・人流解析など実問題で有効性を検証する。
|
| Outline of Annual Research Achievements |
現状の深層・機械学習は、対象の観測データから対象系と観測系を切り分けたモデル学習を行うことが難く、対象系のメカニズムや観測系の影響を適切に理解できない事が多い。本研究では、対象の時間発展を表す状態モデルとその状態の観測モデルからなる一般化状態空間モデルや、観測結果から状態の逆推定を行う状態モデル、観測モデル各々の復元モデルを切り分けて学習可能な、深層・機械学習の一般的原理・技術を開発し、生体観測・人流解析など実問題で有効性を検証することを目的にしている。
今年度は研究項目「(A)幅広い深層・機械学習モデルへの状態(復元)及び観測(復元)モデルの組込み原理の確立」において、(i)状態モデルや観測モデルの性質に関する事前知識を導入し、潜在状態変数と両モデルを切り分けて教師有り・教師無し学習する原理、(ⅱ)対象系や観測系の何れかの条件が異なる複数種データから各系の違いを認識して、潜在状態変数と両モデルを切り分けて弱教師有り学習する原理を開発した。また、研究項目「(B)幅広い学習目的関数(損失関数やリスク関数)の設計原理の確立」において、対象の観測結果と外部入力情報から状態空間モデルを学習するための目的関数の設計原理を開発した。また、これらの計算機実装アルゴリズムの検討、有効性検証を行うための実問題の検討も実施した。
研究項目(A)では、計測系やセンサーが有する性質から観測モデルに関する制約を導き、それに基づいて状態モデルと観測モデルを学習する方法、およびそれら各々の復元モデルを学習する方法を得た。研究項目(B)では観測モデルの制約を損失関数に反映して高精度なモデル学習を行う方法を得た。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究の計画は、(A)幅広い深層・機械学習モデルへの状態(復元)及び観測(復元)モデルの組込み原理の確立、(B)幅広い学習目的関数(損失関数やリスク関数)の設計原理の確立、(C)学習を行うための計算機実装アルゴリズムの開発、(D)実問題への適用による有効性検証の４つの研究項目から成る。このうち、(A)と(B)は初年度と２年度に取り組み、(C)と(D)は初年度の後半から実施準備の検討を開始する計画であった。
初年度である今年度は、実際にこの研究計画に沿い(A)と(B)について研究を実施し、予定通りに一定の開発作業を進めた。また、(C)と(D)についても必要なデータを入手するための実験設計など、実施準備の検討を予定通り実施している。(A)と(B)が本研究の理論的な核心部分であり、今年度は主にその中の(A)の「(i)状態モデルや観測モデルの性質に関する事前知識を導入し、潜在状態変数と両モデルを切り分けて教師有り・教師無し学習する原理」について研究を実施し、(B)についても(A)の成果に対応する部分について研究を実施し、各々成果を得た。
研究実施内容と研究成果の両面から、概ね当初の研究計画通りに進捗していると考える。
|
| Strategy for Future Research Activity |
本研究の計画は、(A)幅広い深層・機械学習モデルへの状態(復元)及び観測(復元)モデルの組込み原理の確立、(B)幅広い学習目的関数(損失関数やリスク関数)の設計原理の確立、(C)学習を行うための計算機実装アルゴリズムの開発、(D)実問題への適用による有効性検証の４つの研究項目から成る。このうち、(A)と(B)は初年度と２年度に取り組み、(C)と(D)は初年度の後半から３年目の最終年度にかけて実施準する計画である。
このうち、初年度で(A)と(B)では「(i)状態モデルや観測モデルの性質に関する事前知識を導入し、潜在状態変数と両モデルを切り分けて教師有り・教師無し学習する原理」について、観測モデルの事前知識導入に関する成果を得た。これを踏まえて、２年度はさらに状態モデルの事前知識導入に関し取り組む予定である。また、(A)(B)共に、(ⅱ)対象系や観測系の何れかの条件が異なる複数種データから各系の違いを認識して、潜在状態変数と両モデルを切り分けて弱学習する原理、さらに(ⅲ)これらのハイブリッド原理についても、２年度に取り組む予定である。
また、(C)において上記(A)と(B)の成果をプログラム実装する作業に取り組む。さらに(D)について有効性検証に必要なデータを収集し、実装プログラムを適用して性能評価を進める予定である。
|
