| Project/Area Number |
23K16995
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 62010:Life, health and medical informatics-related
|
|---|
| Research Institution | Hiroshima City University |
|---|
Principal Investigator |
原田 翔太 広島市立大学, 情報科学研究科, 助教 (00969347)
|
|---|
| Project Period (FY) |
2023-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2024: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
Fiscal Year 2023: ¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000)
|
|---|
| Keywords | 時系列データ / データ拡張 / 画像系列分類 / ニューラルネットワーク / 深層学習 / 医用データ |
|---|
| Outline of Research at the Start |
機械学習技術の発展により，医用時系列データを用いた疾病の自動診断支援が可能になっている．その診断にあたり，医用時系列データの潜在状態の推定は非常に重要なタスクであるが，潜在状態のラベリングは現実的に困難なことが多い．状態空間モデルは系列データの潜在状態の遷移を表現可能なモデルの1つであるが，表現能力が低いため，複雑なデータ分布のモデリングが困難である．一方でニューラルネットは学習を通して柔軟な表現を獲得できるため複雑なデータ分布のモデリングに適している．本課題では，状態空間モデルとニューラルネットを融合させることで，複雑なデータ分布を持つ時系列データの潜在状態を推定することを目指す．
|
| Outline of Annual Research Achievements |
当該年度，本研究員は時系列データのための学習手法を提案した．提案手法では，Disentangled Representation Learningを活用することで，時系列データから，時間依存の特徴と時間非依存の特徴に分離することに成功している．研究実績としては，国内発表2件であった．主な成果は以下のとおりである．
a) Disentangled Representation Learningを活用した時系列データの学習方法の提案
提案手法では，Disentangled Representation LearningとCycle Consistency Learningを活用して，ラベル情報を用いずに時系列データから時間非依存の特徴と時間依存特徴へと分離することに成功している．これにより，時系列データの時間依存の潜在変数の変化を捉得ることが可能となり，時系列データの解析が容易となった．歩容画像系列データセットを用いて実験したところ，歩容画像系列から時間非依存の特徴（被験者の外見特徴）と時間依存の特徴（被験者の姿勢特徴）に分離できていることを確認した．
b) 提案手法を活用したデータ拡張の有効性の確認
提案手法を活用したデータ拡張の有効性も検証している．具体的には，分類問題において，提案手法によって同一クラス内のサンプル間で時間非依存特徴と時間依存特徴を交換したサンプルを生成することで，学習データのデータ拡張を実現している．実験では，歩容画像系列データセットにおける３クラスの年齢層分類実験を通して，提案手法によるデータ拡張の有効性を確認した．
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
・当該年度で国際会議へ投稿する予定であったが，現段階では提案手法によるデータ拡張の有効性が確認できただけにとどまっており，既存研究との比較が不十分であったため．
|
| Strategy for Future Research Activity |
提案した時系列データの学習方法を改良や分類問題以外への拡張を予定している．具体的には，以下を予定している．
1. 現段階の提案手法は時間依存特徴を抽出するための学習に時間情報を活用していない．そのため，獲得される時間依存特徴の解釈性や弁別性は未だ低い．そこで時間依存特徴の連続性を活用した学習方法へと改良する．
2. 提案手法によって抽出した時間依存特徴系列を活用した教師無し異常検出を提案する．提案手法が正常系列データのみを学習した場合，正常データと異常データで時間依存特徴系列の分布が異なることが期待できる．そこで，それらの分布の違いを活用して教師無し異常検出を実現する．
|
