| Project/Area Number |
21K21297
|
|---|
| Research Category |
Grant-in-Aid for Research Activity Start-up
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
1001:Information science, computer engineering, and related fields
|
|---|
| Research Institution | Kyoto Tachibana University |
|---|
Principal Investigator |
|
|---|
| Project Period (FY) |
2021-08-30 – 2023-03-31
|
| Project Status |
Completed (Fiscal Year 2022)
|
| Budget Amount *help |
¥3,120,000 (Direct Cost: ¥2,400,000、Indirect Cost: ¥720,000)
Fiscal Year 2022: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2021: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
|
|---|
| Keywords | 機械学習 / 不均衡データ / データバランシング / 分類問題 / 回帰問題 / 生成モデル / 損失関数 / 敵対的生成ネットワーク / 高次元データ |
|---|
| Outline of Research at the Start |
複雑な機械学習手法のパッケージ化が進んだことにより，実行エラーを伴わない問題が発生しても利用者は気づきにくい．不均衡データを用いた訓練による推定値の偏りはそのような問題の一つである．不均衡データを訓練に用いると本来少数派のデータに対しても多数派と推定しやすい推定器が訓練されることがある．本研究では連続値を推定する回帰問題に対し，一般的には分類問題で用いられるデータバランシングを応用し，推定値が偏る問題の解決を目指す．データバランシングはデータ生成等によりデータの分布の均衡を取る手法である．本研究では深層学習に基づく生成モデルを用いることで時系列や画像等の高次元データに対応した手法を提案する．
|
| Outline of Final Research Achievements |
We propose methods to address the imbalance of estimated values in regression and classification problems, respectively. The first method is a data balancing technique for regression problems using time series data as explanatory variables. This method generates new samples by interpolating time series data from two extracted samples in the dataset. Through performance evaluation, we found that it is possible to improve the estimation accuracy for minority data while suppressing the increase in mean absolute error. The second method is a data balancing technique for classification problems using conditional generative adversarial networks. Through performance evaluation using open datasets, we found that the proposed method achieved training a well-balanced estimator.
|
| Academic Significance and Societal Importance of the Research Achievements |
利用者が気づきにくい不均衡データによる推定値の偏りを軽減する手法を提案し，様々な機械学習との組み合わせ・応用を可能とする点が本研究の社会的意義である．特に近年ではセンシングデバイスの小型化・低価格化が進み，機械学習の科学・医療など様々な分野への応用手法が開発されていることから，今後ますますモバイル・ユビキタス分野において機械学習は利用されることが予想される．そのような応用事例において本研究は大きな役割を果たすと申請者は考える．
|
