Representative Learning for Structured Data and Its Application to Two Real World Problems with Different Characteristics

2018 Fiscal Year Final Research Report

• Project/Area Number: 16K12490
• Research Category: Grant-in-Aid for Challenging Exploratory Research
• Allocation Type: Multi-year Fund
• Research Field: Intelligent informatics
• Research Institution: Kagoshima University
• Principal Investigator: Ono Satoshi 鹿児島大学, 理工学域工学系, 准教授 (90363605)
• Co-Investigator(Kenkyū-buntansha): 細田 滋毅 国立研究開発法人海洋研究開発機構, 地球環境観測研究開発センター, グループリーダー代理 (60399582) ; 川崎 洋 九州大学, システム情報科学研究院, 教授 (80361393) ; 福井 健一 大阪大学, 産業科学研究所, 准教授 (80418772)
• Project Period (FY): 2016-04-01 – 2019-03-31
• Keywords: 表現学習 / 構造データ / 系列データ / 深層ニューラルネットワーク / 決定木 / 海洋観測データ / コンピュータビジョン / 2次元コード

Outline of Final Research Achievements

This study proposed representative learning methods using deep neural networks such as convolutional neural network and recurrent neural network and other machine learning techniques for structured data, e.g., change detection of slight patterns on one dimensional sequential data. In addition, this study focused two real world problems: quality control of ocean observation data as one-dimensional sequential data and decoding distorted two-dimensional data as two-dimensional sequential data and confirmed that incorporating the proposed methods into conventional method such as conditional random field and Markov random field achieved the performance of practical level in these problems.

Free Research Field

機械学習

Academic Significance and Societal Importance of the Research Achievements

時間と共に変化するなどの構造を持つデータにおいて，従来は各分野の専門家が設計していた特徴量を，問題のデータから自動的に設計する技術を実現した．また，開発した技術を，海洋観測データにおける観測エラーの発見問題に応用し，専門家が目視で行うレベルの精度で観測エラーを発見できることを確認した．さらに，紙などに印刷されたQRコード等の2次元コードが複雑に歪んだ際にも，読取りを行える技術を実現した．