| 研究課題/領域番号 |
18K11251
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分60050:ソフトウェア関連
|
|---|
| 研究機関 | 南山大学 |
|---|
研究代表者 |
青山 幹雄 南山大学, 理工学部, 教授 (40278073)
|
|---|
| 研究期間 (年度) |
2018-04-01 – 2021-03-31
|
| 研究課題ステータス |
交付 (2019年度)
|
| 配分額 *注記 |
4,420千円 (直接経費: 3,400千円、間接経費: 1,020千円)
2020年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2019年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2018年度: 2,210千円 (直接経費: 1,700千円、間接経費: 510千円)
|
|---|
| キーワード | 機械学習 / 深層学習 / グラフ機械学習 / 表現学習 / 機械学習ソフトウェア工学 / 機械学習工学 / グラフモデル / ソフトウェア工学 / プロパティグラフ / オープンソースソフトウェア / ビッグデータ分析 / グラフ理論 |
|---|
| 研究実績の概要 |
2019年度は次の2つの目標で研究を推進し，それぞれ，機械学習とソフトウェア工学に関するオリジナルな研究成果ならびに，そのソフトウェア開発への応用に関する成果を得た．
(1)ソフトウェアシステムとその開発活動を包括的に表現するグラフモデル(SEGM)に基づき，グラフを対象とする新たな機械学習を応用して，ソフトウェアシステムとその開発の構造を明らかにすること．本テーマでは，ソフトウェア構造をSEGMで表現し，SEGMへグラフ機械学習の中のグラフ表現学習を適用し，ソフトウェアの構造の大域的特性として健全性，ならびに，ソフトウェアエコシステムの進化構造を明らかにする方法を提案した．提案方法をオープンソースソフトウェアに適用し，提案方法の有効性，妥当性を示した．さらに，Web APIのキュレーションサイトに公開されている説明記述に対してアテンション付き深層学習を適用し，Web APIの仕様記述を生成する方法を提案し，実際のWeb APIに適用し，提案方法の有効性，妥当性を示した．
(2)機械学習モデルの開発方法の提案．本テーマではソフトウェア工学におけるアジャイル開発の概念を応用して，機械学習のモデルを段階的に少量のデータで学習する方法を提案した．提案方法を画像分類に適用し，学習の速度と精度の向上を確認した．さらに，機械学習を組込んだソフトウェアの品質モデルを提案し，その妥当性を実証実験により示した．これらの成果を踏まえ，機械学習ソフトウェア開発の基礎となるフレームワークを提案した．また，応用として機械学習ソフトウェアを組込んだナビゲーションシステムの入力データの変化に対するコンセプトドリフト問題を分析し，その構造を明らかにした．さらに，特許文書の先行事例調査への応用も行った．
以上をまとめると，ソフトウェア工学と機械学習の両分野にまたがるオリジナルな研究成果が得られたと言える．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
1: 当初の計画以上に進展している
理由
理由: 当初設定した以下の2テーマについて，想定以上のオリジナルな成果が得られ，国内外で多くの論文として発表した．
(1)グラフ上の機械学習によるソフトウェアの大域的特性の分析方法の提案: SEGMに基づくグラフ表現学習を用いてWeb上でのAPIを介したソフトウェアエコシステムの進化構造を分析する方法はオリジナルな成果と言える．また，SEGMによりソフトウェア構造を表現し，その表現学習によりソフトウェアの健全性を分析する方法もオリジナルな成果である．Web APIの説明文書からWeb APIの仕様生成は先行研究があるが，アテンション付き深層学習による精度の高いWebAPI仕様書の生成は先行研究に対してすぐれた成果と言える．また，機械学習ソフトウェアの品質特性の定義，ならびに，その実証評価もオリジナルな成果と言える．
(2)機械学習のモデル学習方法の提案: 機械学習のモデルを少量データで学習する方法は近年活発な研究が行われている．その中で，アジャイル開発の概念を応用し，学習速度と精度の両方を向上する方法の提案はオリジナルな成果と言える．
|
| 今後の研究の推進方策 |
2019年度までの成果を発展させ，次の課題に取り組む．
(1) ソフトウェアシステムとその開発の包括的表現のためのグラフ表現言語SEGM(Software Engineering Graph Model)の体系の整理
(2) SEGM上でのグラフ表現学習の方法の深化による新たな分析方法の提案
(3) 機械学習のモデル学習方法の深化: フィーチャ学習を利用し，学習の精度と速度を制御可能な学習プロセスと学習方法の提案と評価
|
