| 研究課題/領域番号 |
19K12094
|
|---|
| 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61030:知能情報学関連
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
矢入 健久 東京大学, 先端科学技術研究センター, 教授 (90313189)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
2021年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2020年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2019年度: 1,820千円 (直接経費: 1,400千円、間接経費: 420千円)
|
|---|
| キーワード | データ駆動型健全性管理 / 機械学習 / 動的システム学習 / 異常検知 / 健全性監視 / 転移学習 / 教師なし学習 / システム同定 / 生成モデル / 予防保全 / 人工知能 |
|---|
| 研究開始時の研究の概要 |
近年、過去の膨大なデータからシステムの挙動モデルを統計的に学習して監視に利用するデータ駆動型の健全性監視法が注目を集めているが、2つの未解決問題が存在する。第1に、現実の人工システムでは事前に十分な量のデータを用意することがしばしば困難であることである。第2に、人工システムの監視において深層学習等の機械学習では説明性が十分でない点である。本研究では、データ駆動健全性監視のための転移学習法を開発すること、および、工学者・専門家にとって解釈性の高い潜在変数-状態空間モデルと最新の機械学習手法との融合を図ることでデータ駆動健全性監視の説明性を実現することでこれらの課題を解決する。
|
| 研究成果の概要 |
本研究は、データ駆動型の健全性監視法が抱える2つの問題の解決に取り組んだ。第一の問題は、現実の人工システムにおいては事前に十分な量と質を兼ねた訓練データを入手することが困難または非常に高価であること、第二の問題は、機械学習により帰納的に得られたモデルが対象人工システムのドメイン知識と乖離しているために実用に耐える説明性を担保していないことである。本研究ではこれら2つの問題に対して、工学者・専門家にとって解釈性の高い潜在変数-状態空間モデルと最新の機械学習手法との融合を図ることによって、ドメイン知識の活用による必要訓練データ量の削減と、データ駆動健全性監視の説明性の向上を実現した。
|
| 研究成果の学術的意義や社会的意義 |
人工知能・機械学習はインフラや生産システムなどが安全かつ効率的に運用されているかどうかを監視する目的においても大いに期待されているが、学習に膨大な訓練データが必要であること、および、モデルがブラックボックスになり説明性に欠けることが大きな懸念事項である。本研究は、最新の機械学習と伝統的な状態空間・潜在空間モデルを統合して動的なシステムのモデルを学習する方法を開発することによって、これらの問題の解決に貢献した。
|
