研究課題/領域番号 |
20K11863
|
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61010:知覚情報処理関連
|
研究機関 | 和歌山大学 |
研究代表者 |
八谷 大岳 和歌山大学, システム工学部, 講師 (00578908)
|
研究期間 (年度) |
2020-04-01 – 2023-03-31
|
研究課題ステータス |
完了 (2022年度)
|
配分額 *注記 |
3,900千円 (直接経費: 3,000千円、間接経費: 900千円)
2022年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2021年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2020年度: 2,340千円 (直接経費: 1,800千円、間接経費: 540千円)
|
キーワード | 統計モデリング / 深層学習 / 点過程 / Transformer / イベント予報 / 時空間 / マルチストリーム / 機械学習 / マルチスモーダル / Attention機構 / ディープラーニング / 画像変換 |
研究開始時の研究の概要 |
本研究では、地震や降水などの時空間的に発生する事象の予報に、近年目覚ましい発展を遂げているディープニューラルネット(以下、DNN)画像変換技術を応用する。まず、2021年度前半までに、自然科学や社会科学の統計モデリングを導入し数学的に拡張したDNN画像変換方式を提案し、ベンチマーク実験を用いて評価する。次に、2022年度末までに、本提案手法を地震頻度データなど、より実用的な問題に応用し、その有効性を示す。これらの研究成果は、機械学習、画像認識および関連する応用分野(例えば、地震および気象など)の国際会議および論文誌にて報告する。
|
研究成果の概要 |
不規則に発生するイベントの予報において、次のイベントの起こりやすさを表すハザード関数は、知見に基づき経験的に設計されてきた。近年、自由度の高いハザード関数のモデルとして、ディープニューラルネットワーク(DNN)を過去データから学習する方式が提案された(Omi et al., 2019)。しかし、当該方式は、イベント発生場所などの空間予報には対応していない。そこで、本研究では、時空間予報を実現するために、ハザード関数を、条件付き独立性に基づき分解し、複数のDNNでモデル化する、深層マルチストリーム点過程方式を提案した。そして、実際の地震データを用いた実験を通し、本提案手法の有効性を示した。
|
研究成果の学術的意義や社会的意義 |
本研究では、自然科学分野にて研究が進んでいる統計モデリングと、画像や自然言語分野にて目覚ましい発展を遂げているDNNを、分野横断的に融合した、新しいイベント予報のアプローチを提案した。また、統合に際し、画像や言語処理にて発展した、深層マルチストリームモデルやTransformerのアルゴリズムに、イベント予報に特化した独自性の高い拡張を導入した。そのため、本研究のアプローチは、イベント予報および機械学習アルゴリズムの両分野において独自性が高く、その成果は、機械学習の国際会議と英文雑誌に掲載される運びとなった。そのため、本研究の成果は、社会的および学術的に意義があると考えられる。
|