2020 Fiscal Year Research-status Report
Study on transfer learning and explainability of data-driven health monitoring
| Project/Area Number |
19K12094
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
矢入 健久 東京大学, 先端科学技術研究センター, 教授 (90313189)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 動的システム学習 / 異常検知 / 教師なし学習 / 転移学習 / システム同定 / 健全性監視 / 生成モデル |
|---|
| Outline of Annual Research Achievements |
本研究では、近年注目と期待を集めているデータ駆動型の健全性監視法、すなわち、過去の膨大なデータからシステムの挙動モデルを統計的に学習して健全性の監視に利用するという考え方に基づく健全性監視アプローチが抱える以下の2つの問題に焦点を当てている。一つは、現実世界に存在する複雑大規模な人工システムにおいては、類似システム同士であってもデータの挙動が完全に同一ではなく、また、そもそも発生し得る全ての事象を含むようなデータが存在しないため、十分な量と質を兼ねた訓練データを入手することが困難または非現実的に高価であること、もう一つは、機械学習により帰納的に得られたモデルが対象人工システムのドメイン知識と乖離しているために実用に耐える説明性を担保していないことである。本研究では、データ駆動健全性監視のための転移学習法を開発すること、および、工学者・専門家にとって解釈性の高い潜在変数-状態空間モデルと最新の機械学習手法との融合を図ることでデータ駆動健全性監視の説明性を実現することでこれらの課題を解決することを目的とする。
本課題２年度目である2020年度は、伝統的な状態空間モデルと生成的な 深層学習モデルを融合することにより、自然法則やシステム固有のダイナミクスに関する事前知識をモデルに埋め込みつつ、動画像のような超高次元時系列データ入力からシステムの内部状態遷移を推定・監視する技術の開発に取り組んだ。また、協調搬送ロボットの行動を模擬した画像時系列に適用し、複数種類の異常事象を的確に分類しつつ検知できることを実証した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究課題が採択された際の交付申請書において、2020年度は大きく2つのサブテーマ【Sub-1-b：センサ・観測変数構成の差異を考慮した同種システムの転移学習法】と【Sub-2-b：データ駆動健全性監視の説明性向上のための異常深刻度推定法】に取り組むことを計画していたが、実際に2020年度は、伝統的な状態空間モデルと生成的な深層学習モデルを融合することにより、自然法則やシステム固有のダイナミクスに関する事前知識をモデルに埋め込みつつ、動画像のような超高次元時系列データ入力からシステムの内部状態遷移を推定・監視する技術の開発に取り組み一定の成果が得られているので、「概ね順調である」と診断できる。
|
| Strategy for Future Research Activity |
本研究課題最終年度である2021年度は、２年間の成果を踏まえつつ、最後のサブテーマである【Sub-1-c：潜在変数構造を部分共有する類似システム間の転移学習法】を確立することを目的とする。また、提案手法を一部の潜在変数構造を共有する異種の動的システム間での転移学習に適用し有効性を示すことによって、当初の全体目標であるデータ駆動形健全性監視の２つの問題「データ入手の困難性」と「説明性の欠如」に対する解決法を示す方針である。
|
| Causes of Carryover |
当初予定していた国内外の関連学会での研究成果発表などの出張がコロナ禍の影響により全てキャンセルになったため、主に旅費を中心に次年度使用学が生じた。2021年度に関しても依然出張計画が立てづらい状況であるが、計算資源等に充てることで研究の加速を進めるつもりである。
|
