物理モデルと分野依存知識を考慮した時空間データの異常検知

Research Project

Project/Area Number	18J12982
Research Category	Grant-in-Aid for JSPS Fellows
Allocation Type	Single-year Grants
Section	国内
Research Field	Intelligent informatics
Research Institution	Kyoto University
Research Fellow	林勝悟京都大学, 情報学研究科, 特別研究員(DC2)
Project Period (FY)	2018-04-25 – 2020-03-31
Project Status	Granted (Fiscal Year 2019)
Budget Amount *help	¥1,500,000 (Direct Cost: ¥1,500,000) Fiscal Year 2019: ¥700,000 (Direct Cost: ¥700,000) Fiscal Year 2018: ¥800,000 (Direct Cost: ¥800,000)
Keywords	変化点検知 / ベイズ最適化 / 時系列データ / 少数データ / 一般化蒸留
Outline of Annual Research Achievements	主に(1)効率的な変化点，異常検知に関する研究と(2)少数時系列データの長期予測に関する研究の２つの研究の実績を生むことができた． (1) 変化点検知はデータの特徴が大きい変化（異常）点を検知する技術であり，工場の機械の故障を早期に発見したり，クレジットカードの不正利用を検出することができる．これまでの変化点検知に関する研究では，データを収集するためのコストが考慮されていなかった．しかし，材料工学における相転移点という変化を見つける実験や，研究課題対象の空間データである海底の隆起の変化が激しい地点を探し出す海底測定ではデータ収集に時間や人手といったコストを要するため，できるだけ少ないデータで効率的に変化点を検知できる方法が求められている．そこで私は既存のベイズ的最適化技術と変化点検知技術を適用することで，様々なデータや変化点に対応可能で効率的な変化点検知手法を提案した． (2) 研究課題対象の時系列データはしばしば予測をするために十分に集まらないことがある．例えば，アンケートデータの場合収集にコストがかかり，公開されたばかりのサイトではデータを収集している時間が短く，地震や火山といった自然現象はそもそも発生頻度が低いため，それらのデータ量は必然的に少なくなる．特に，時系列データの長期予測では入力と出力の中間データが利用不可であるため使用できるデータが少なくなる．このような少数データを使った予測は難しく精度が悪くなる傾向にある．この問題に対し，私は中間データを特権情報として利用し，一般化蒸留のフレームワークを適用することで少数時系列データの長期予測の精度を向上させる手法を提案した．
Current Status of Research Progress	Current Status of Research Progress 2: Research has progressed on the whole more than it was originally planned. Reason (1)実際の相転移点データと海底深度データにおいて数値実験を実施し，提案手法は比較手法よりも効率的に相転移点や海底の隆起の変化が激しい地点を検知することに成功した．現在，査読ありで人工知能分野の最難関国際学会の一つであるThe 28th International Joint Conference on Artificial Intelligenceに投稿し，現在査読中である．また，他のデータセットやパラメータを変えた場合の実験を行っている． (2)実際の北京のPM2.5データを使った長期予測問題において，提案手法を使うことで予測精度が向上することを検証した．また，本成果は査読あり国際学会であるThe 2019 International Joint Conference on Neural Networksに投稿し，問題の重要性や提案手法の新規性が認められ採録が決定した．2019年7月14-19日にハンガリー，ブダペストで発表を行う．他のデータセットやパラメータを変えた場合の実験を行っている．また，(1)，(2)とは別に，現在，効率的な分布の推定に関する研究を行っている．
Strategy for Future Research Activity	(1)(2)で引き続き行っている研究結果をまとめて，それぞれ論文誌に投稿する予定である．今後は主に，(1)(2)と別に進めている効率的な分布の推定に関する研究に注力する．関数評価にコストを要する分布の推定問題が多数存在する．例えば，機械学習モデルのロバストなパラメータ推定や，事後分布評価コストが大きい変分推論，プライバシーを保護した分布推定，微分方程式の逆問題における分布推定などである．これらの分布推定を少ないコストで行うための手法開発に専念し，様々な分布推定の実験を行う予定である．その成果は機械学習の難関国際学会に投稿する予定である．