| 研究課題/領域番号 |
19K12142
|
|---|
| 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61040:ソフトコンピューティング関連
|
|---|
| 研究機関 | 県立広島大学 |
|---|
研究代表者 |
市村 匠 県立広島大学, 地域創生学部, 教授 (10295842)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2024-03-31
|
| 研究課題ステータス |
完了 (2023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)
2021年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2020年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
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 | 構造適応型深層学習 / 構造適応型RBM / 構造適応型DBN / Teacher-Student構造適応型深層学習 / AffectNet / 軽度認知症画像判定 / Teacher-Studentモデル / RoadTracer / 避難経路探索 / RBM / DBN / Teacher Student型モデル / ADNI / 深層学習 / 構造適応型学習 / T/S型逐次的再学習モデル / KL情報量 / 顔感情モデル / 敵対的事例 / 制限付ボルツマンマシン / Deep Belief Network / teacher-studentモデル |
|---|
| 研究開始時の研究の概要 |
入力データに対して適応的に隠れニューロン数や層の数を自動で生成／消去する構造適応型深層学習法を開発した。開発した手法は，画像や時系列データなどのベンチマークテストでは学習用ではほぼ100%，テスト用では他の深層学習手法より高い分類能力を示した。学習後に未知データが出現した場合，再学習することで，自己組織化的に学習モデルを自ら構造やパラメタ修正するアルゴリズムを研究する。学習済みモデルをTeacherモデル，再学習のためのモデルをStudentモデルとし，KL情報量によって，分類，時系列等の様々なビッグデータセットに対応できる深層学習モデルを構築する。
|
| 研究成果の概要 |
学習データに最適なRBMのニューロン数と層の数を自動で定めるAdaptive RBM-DBNと呼ばれる構造適応型学習法は，高い分類精度を示している。医療画像や感情など，曖昧性や矛盾を含む場合には精度の向上が期待できない。この課題に対し2つ以上のモデルを用いたアンサンブル学習として，Teacher-Student(T/S)構造適応型深層学習モデルを提案した。顔感情データ，軽度認知症データに適用したところ，分類性能が向上した。さらに，西日本豪雨災害時の航空画像や衛星画像を用いて，土砂災害による被災した道路を回避しながら避難経路の探索をリアルタイムで発見する方法を提案し，その有効性を示した。
|
| 研究成果の学術的意義や社会的意義 |
IoTや医療等，データが収集・蓄積されたデータをそのまま画像解析やデータ分析に使用されている。学習時には出現していなかった特徴をもつデータが混在していることがあり，これらを外れ値やノイズとして処理するのではなく，一つの新たな特徴として処理する必要がある。Teacher-Student構造適応型深層学習モデルは実在するデータを無視するのではなく，再学習した知識を蒸留する形で，適切な構造をもつ深層学習法の一つとして提案した。
|
