2018 Fiscal Year Research-status Report
Big Data時代における超高次元特徴選択フレームワークに関する研究
| Project/Area Number |
17K00227
|
|---|
| Research Institution | Chiba University |
|---|
Principal Investigator |
森 康久仁 千葉大学, 大学院工学研究院, 助教 (40361414)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | 特徴選択 / 深層学習 / 特徴選択 |
|---|
| Outline of Annual Research Achievements |
平成３０年度は当該研究課題の２年目にあたる．平成２９年度に検討を行っていた特徴集合をブロックに分割して特徴選択する方法では，ある程度の計算コストを削減することは出来たものの，識別精度という観点では，十分な性能を得ることが出来ないことが実験的にわかってきた．そこで平成３０年度は，当初の想定とは少々異なるアプローチである，様々な分野ですぐれた結果を出している深層学習を利用して特徴選択を行える新たな層モデルを提案した．
提案した手法は，使用するネットワークモデルの入力層の次に，各特徴と１対１に対応した特徴選択層と呼ばれる層を追加し，訓練データを用いて学習を行う．これにより，対象としているタスクにおいて，そのタスクに有効に作用する特徴に対応する(特徴選択層の)ユニットの重みが大きくなることが期待できる．この重みの値を利用することで，対象タスクに有効な特徴を選択することができると考えられる．
本年度は，提案した特徴選択層を実際に実装し，多変数の非線形な回帰問題に対する変数選択を行ったところ，適切な変数選択を行えることがわかった．さらに，簡単な実データに対して識別タスクを行ったところ，識別性能の面でも従来の特徴選択手法と遜色がなく，さらに従来の特徴選択手法でも有効であると判断されている特徴と同様な特徴が選択できることがわかった．
本研究の成果は，第１７回情報科学技術フォーラムにて「深層学習モデルにおける特徴選択層の実装」という発表を行った．
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
研究当初に想定していたアルゴリズムではなく，深層学習を利用した新たな手法を考案したため，研究計画の若干の変更を行った．このために研究の進捗がやや遅れている．
|
| Strategy for Future Research Activity |
提案した特徴選択層は，様々なニューラルネットワークモデルに適用が可能であるため，統一的な特徴選択フレームワークとなることが期待できる．そこで，様々な高次元データに対して本研究で提案した特徴選択層付き深層学習モデルを適用し，そのようなデータに対する性能評価とその適用可能性を検討する．
また，医用画像とそれに対応した遺伝子発現データのような，画像と特徴データがペアになったデータに対して，それら２つのデータをネットワークに同時に入力することで，画像認識に有効な特徴の選択が可能であると考えている．しかしながら，そのようなデータをどのように取得するかが当面の課題である．対応策として，フリーのデータベースの利用可能性や，現在研究代表者と医学部附属病院とで行っている共同研究で扱っているデータが利用可能かどうか検討する予定である．
|
| Causes of Carryover |
研究方針の若干の変更により，大規模深層学習モデルを学習可能なGPUサーバを導入しようと考えたものの，GPUが予想以上に高価であり，システム全体を同時に導入することが出来なかったため，繰り越しがやや多くなった．現在では別のPCに導入しているものの，次年度の予算で，より適切な状態で使えるような計算機システムを構築する予定である．
|
