| 研究課題/領域番号 |
17K00227
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 研究分野 |
知覚情報処理
|
|---|
| 研究機関 | 千葉大学 |
|---|
研究代表者 |
森 康久仁 千葉大学, 大学院工学研究院, 助教 (40361414)
|
|---|
| 研究期間 (年度) |
2017-04-01 – 2020-03-31
|
| 研究課題ステータス |
完了 (2019年度)
|
| 配分額 *注記 |
2,860千円 (直接経費: 2,200千円、間接経費: 660千円)
2019年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2018年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2017年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
|
|---|
| キーワード | 特徴選択 / 深層学習 / 特徴抽出 / データマイニング / ビッグデータ / 機械学習 |
|---|
| 研究成果の概要 |
本研究では，様々な分野ですぐれた結果を出している深層学習を利用した特徴選択を行える新たな層モデルを提案した．提案した手法は，使用するネットワークモデルの入力層の次に，各特徴と１対１にユニットを配置した特徴選択層と呼ばれる層を追加し，訓練データを用いて学習を行う．これにより，対象としているタスクにおいて，そのタスクに有効に作用する特徴に対応するユニットの重みが大きくなり，不必要な特徴の重みが小さくなることが期待できる．したがって，この重みの値を利用することで，対象タスクに有効な特徴の選択をすることができる．
|
| 研究成果の学術的意義や社会的意義 |
本研究で提案した特徴選択手法を利用することで，従来の手法では非常に難しかった，超高次元のデータに対しても特徴の選択をすることが可能になった．これにより，例えば，数千を超える特徴集合の中から，注目している識別タスクに有効に作用する重要な特徴を選別することが可能になり，これまで以上に探索的データ解析における新たな知見が得られる可能性を見出した．
|
