| 研究課題/領域番号 |
20K11882
|
|---|
| 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 | 東京大学 |
|---|
研究代表者 |
田中 剛平 東京大学, ニューロインテリジェンス国際研究機構, 特任准教授 (90444075)
|
|---|
| 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 |
4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
2022年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2021年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2020年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
|---|
| キーワード | 機械学習 / 時系列データ / リザバー計算 / 非線形システム / 人工知能 / IoT社会 / 高速学習 |
|---|
| 研究開始時の研究の概要 |
センサー等で得られるデータストリームを素早く効率良く機械学習処理するには、通常のコンピュータでも高速学習が可能な機械学習モデルが必要である。本研究では、時系列データを扱う高速機械学習モデルの発展を目指す。リザバー計算モデルを他の計算モデルと組み合わせて拡張することにより、従来よりも高性能な高速機械学習モデルを構築し、その有効性を検証する。
|
| 研究成果の概要 |
時系列データのパターン認識に適した高速機械学習モデルの開発を目的として、リザバー計算を軸とした発展的機械学習モデルの構築およびその性能評価を行った。時系列データのリサンプリングやフィルタリングによる特徴抽出の導入、マルチリザバー計算モデルの拡張、転移学習に動機を得たオンライン学習手法、異種演算素子から成るリザバーの活用、などを通じて発展的な機械学習モデルを提案し、それらが時系列パターン認識タスクにおける計算性能の向上や計算効率の改善に有効であることを示した。
|
| 研究成果の学術的意義や社会的意義 |
本研究では、主にリザバー計算と他の計算手法の融合による高速機械学習モデルの開発を行った。異種計算モデルの融合に基づく高速機械学習手法は計算性能や計算効率の向上に有用であることが分かった。開発したモデルは、頻繁に学習計算をし直す必要のある環境や計算資源に制約がある環境における計算技術として有望であり、IoT社会においてエッジコンピューティング用の人工知能の基礎になると期待される。
|
