2019 Fiscal Year Research-status Report
An Establishment of On-line Learning Method of Conditional Probability Density Function and Its Design Method
| Project/Area Number |
19K04450
|
|---|
| Research Institution | Tokyo Metropolitan Industrial Technology Research Institute |
|---|
Principal Investigator |
金田 泰昌 地方独立行政法人東京都立産業技術研究センター, 開発本部開発第三部情報技術グループ, 主任研究員 (20463010)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 条件付き密度推定 / ノンパラメトリックモデル / 変分ベイズ |
|---|
| Outline of Annual Research Achievements |
近年，システムを条件付き確率密度関数としてモデリングする方法（確率的モデリング）が注目されている．しかしながら、既存の確率的モデルは多出力系や複雑な分布形状への対応，オンライン学習，データ数削減が個別に検討されおり，全てを考慮した方法，すなわち多出力系かつ複雑な分布形状に対応した確率的モデルのオンライン学習法は明らかにされていない．そこで本研究では，多出力系の確率的モデルに対して分布形状の仮定を必要としないオンライン学習法の確立およびその設計法の確立を目的とする．２０１９年度はオフラインにおいて多出力かつ任意分布に対応した確率的モデルの学習法およびその設計法を検討した．具体的に得られた成果は以下の通りである．
１．カーネル密度推定を参考に，同時分布をガウスカーネルの平均としてモデル化し，その周辺分布を用いて条件付き確率密度関数を求める方法を導出した．
２．上記１．で現れるパラメータを確率変数をみなし，ベイズ学習を用いて係数の事後分布およびシステムの予測分布を求める方法を導出した．この際，隠れ変数を導入することで，近似分布を効率的に求めるための形式を検討した．
３．数値シミュレーションにより，１．および２．で導出した方法の有効性を検証した．数値シミュレーションでは擬似的に生成したデータを用いて評価した．また，代表的な確率的モデリングの一つであるガウス過程回帰と比較することで，導出した方法の有効性を示した．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
予定していた検討項目を全て完了し，また評価結果も良好であった．また，次年度の検討項目であるデータ削減についての検討も一部実施しており，順調に進展している．
|
| Strategy for Future Research Activity |
カーネルの重み付き平均を考えることでモデル化に必要なデータ数の削減について検討する．
|
| Causes of Carryover |
（理由）新型コロナウイルスの影響などにより，旅費について当初計画よりも支出が少なかったため．
（使用計画）使用している計算機に一部不具合が出ており，計算機環境の改善のために使用する計画である．
|
