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
| 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 |
Completed (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 |
当該年度の主な研究成果は(1)データ効率の良い変化点検知手法の国際会議への採録、(2)ベイズ最適化の点を集合に拡張したベイズ最適化手法の開発、(3)部分的に確率的なクエリを用いたベイズ最適化問題とその手法の開発である。特に(3)はその新規性と重要性が認められ、統計的機械学習に関する国内学会である第 22 回情報論的学習理論ワークショップにおいて学生優秀プレゼンテーション賞を獲得した。
(1)では、研究者が前年度に行ったデータの変化点をできるだけ少ないデータで効率的に発見する研究が機械学習の難関会議の一つであるThe Eleventh Asian Conference on Machine Learningに採録された。この技術により空間データの異常を効率的に発見することができる。
(2)では、通常のベイズ最適化でのクエリを点から集合に拡張する手法を開発した。 (1)での研究では変化点は点として定義していたが、本技術により複数点の変化点を検知できるようにする。
(3)では、ベイズ最適化においてクエリを全て所望の値に固定せずに、その一部を確率的な値を取ることを許すことによりより小さいコストで探索を行う問題とその技術を開発した。本技術は、例えば材料開発において材料のパラメータが膨大で全パラメータの指定は大変であるが、一部の指定は比較的容易であるときに効率的な材料開発を実現する。本研究はその新規性と重要性が認められ統計的機械学習に関する国内学会である第 22 回情報論的学習理論ワークショップにおいて学生優秀プレゼンテーション賞を獲得した。
|
| Research Progress Status |
令和元年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和元年度が最終年度であるため、記入しない。
|
Report
(2 results)
Research Products
(6 results)
