| 研究領域 | サイバー・フィジカル空間を融合した階層的生物ナビゲーション |
|---|
| 研究課題/領域番号 |
21H05300
|
|---|
| 研究種目 |
学術変革領域研究(A)
|
| 配分区分 | 補助金 |
|---|
| 審査区分 |
学術変革領域研究区分(Ⅳ)
|
|---|
| 研究機関 | 名古屋大学 |
|---|
研究代表者 |
藤井 慶輔 名古屋大学, 情報学研究科, 准教授 (70747401)
|
|---|
| 研究分担者 |
田部井 靖生 国立研究開発法人理化学研究所, 革新知能統合研究センター, ユニットリーダー (20589824)
村上 久 京都工芸繊維大学, 情報工学・人間科学系, 助教 (20755467)
西海 望 大学共同利用機関法人自然科学研究機構(機構直轄研究施設), 生命創成探究センター, 特別研究員 (10760390)
|
|---|
| 研究期間 (年度) |
2021-09-10 – 2026-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
95,940千円 (直接経費: 73,800千円、間接経費: 22,140千円)
2024年度: 17,420千円 (直接経費: 13,400千円、間接経費: 4,020千円)
2023年度: 17,550千円 (直接経費: 13,500千円、間接経費: 4,050千円)
2022年度: 17,030千円 (直接経費: 13,100千円、間接経費: 3,930千円)
2021年度: 27,170千円 (直接経費: 20,900千円、間接経費: 6,270千円)
|
|---|
| キーワード | 集団運動 / 機械学習 / 動的システム / インタラクション / 数理モデル / 生物集団 / 移動系列 |
|---|
| 研究開始時の研究の概要 |
本研究課題では、階層ナビゲーション研究のための（１）数理・学習ベース解析手法と（２）介入方法決定技術について研究を行う。（１）では、ヒトやカニ、トンボなどの個体間相互作用における行動ダイアグラム解明のための数理（ルール）・学習ベースモデルを融合した解析手法を開発する。さらに新たな仮説や行動パタンを、行動データマイニングにより発見する。また（２）ではデータから因果推論を行い、実験コストのため限られたデータを用いて介入の効果を検証する。さらに報酬を所望の行動に設定した強化学習により、介入方策を自動的に決定する方法を開発する。
|
| 研究実績の概要 |
当該年度は、主に2つの方向性から研究を行った。（１）根拠に基づき操作可能なルール・学習融合モデルの構築に関する研究や数理モデルの統計的性質などについて研究した。（２）人間や動物の運動を計測し、その特徴を定量化したり機序を解明する研究を行った。
（１）については、生物集団の軌跡を用いて、これまで概念的であった動物行動学の理論モデルに基づいて、相互作用の規則を学習するための拡張行動モデルを開発し（Fujii et al. 2021, NeurIPS）、機械学習のトップ国際会議にて発表された。また、曖昧な相互作用による数理モデル集団運動の、臨界性の機能的二重性について明らかにした研究が計算論的生物学の国際雑誌で発表された（Niizato et al. 2023, Plos Comp Biol）。
（２）については、人間の歩行者集団の移動や視線を計測して、回避行動のための自発的な協調行動について明らかにした研究（Murakami et al. 2022）や、刺激誘発型のカニの群れ行動（Feliciani et al. 2022）、幼魚における成長に伴う運動能力の研究（Nakamura et al. 2022）、カニの集団における求愛と捕食回避の間での合理的な立ち回りを明らかにした研究（Takeshita & Nishiumi et al. 2022）などが査読付き英語論文として発表された。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
初年度に行う課題1としての、基礎となるモデル化（1-a）に関して、研究実績にあるようにルール・学習融合モデルの構築に関する技術を開発したため、順調に進展している。複数種の生物学的問題への実装・検証（1-b）に関しても、計画班との共同研究として、鳥やマウス、コウモリ、ハエなどに対して既に行っており、他の生物種に関しても現在検証中である（複数の公募班とも共同研究を開始している）。その他にも、数理モデルの統計的性質や、様々な種の運動を計測してその特徴を定量化したり機序を解明する研究を行ったため、全体的に順調に進展していると言える。
|
| 今後の研究の推進方策 |
研究については、昨年度に引き続き、根拠に基づき操作可能なルール・学習融合モデルや強化学習手法の構築を行う。完全にブラックボックスな学習ベースの行動モデル化ではなく、運動方程式やエージェントモデル（強化学習モデル）など解釈可能なダイナミクスを学習することで、その結果を解釈・理解する。この手法を構築し、複数の生物集団の移動軌跡に実装して性能を検証する。成果は情報系の国際会議または国際誌に投稿する。さらに集団運動における仮説を導くための行動マイニング手法についても開発する。
|
