研究課題/領域番号 |
20K11933
|
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 | 電気通信大学 |
研究代表者 |
西山 悠 電気通信大学, 大学院情報理工学研究科, 准教授 (60586395)
|
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 |
4,030千円 (直接経費: 3,100千円、間接経費: 930千円)
2022年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2021年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2020年度: 2,080千円 (直接経費: 1,600千円、間接経費: 480千円)
|
キーワード | カーネル平均埋め込み / カーネルベイズ推論 / 状態空間モデル / フィルタリング / スムージング / 最適輸送 / Sinkhorn divergence / カーネル法 / kernel Bayes’rule / kernel Kalman rule / 最適輸送理論 / エントロピー制約つき最適輸送 / ノンパラメトリック / カーネル平均 / カーネルベイズ / コーシーノイズモデル / Stochastic Volatility / 連続-離散モデル / Euler-Maruyama / カーネルベイズ則 / 時系列解析 |
研究開始時の研究の概要 |
ビッグデータ社会の到来により画像・音声・文書・時系列など大量の高次元データや構造データが身の回りに溢れている.これらビッグデータを用い,適切に学習・推論・予測・制御を行う数理アルゴリズムや情報システムの構築は重要である.近年の機械学習・人工知能では,特徴空間(再生核ヒルベルト空間) でベイズ推論を行うカーネルベイズ推論(kernel Bayesian Inference; KBI)が研究されている.KBIは正定値カーネルが持つ性質上,非線形データ,構造データと親和性が高く,その利点を活用しながらベイズ推論が可能である.本研究ではKBIに基づく時系列処理等のアルゴリズム開発とともに,KBI周辺の基礎研究と応用研究を行う.
|
研究成果の概要 |
カーネルベイズ推論は確率分布のカーネル平均を推論する.カーネルベイズの枠組みで状態空間モデルのフィルタリングとスムージングを行うkernel Bayes’ filter (KBF) とkernel Bayes’smoother (KBS)が提案されている.次の成果を得た: 連続時間の状態空間モデルを考慮した連続-離散モデルのフィルタリングアルゴリズム(mbn-KBF)を開発した.スムージングアルゴリズム(mbn-KBS)を開発し,SVモデルにおける結果の詳細な可視化を行った.kernel Bayes’ruleの3種類とkernel Kalman ruleの数値的比較を行った.
|
研究成果の学術的意義や社会的意義 |
ベイズ学習はデータと事前分布から事後分布を計算する重要な学習法の1つであり,様々な応用の学習システムの基礎に位置付けられる.構造データ・高次元データに対する複雑な形を持つ事前分布,尤度,事後分布をコンピュータ上で実現するベイズ推論システムの構築が予測精度向上に重要である.カーネルベイズ推論はカーネル法の立場からこれにアプローチする.ベイズ推論を時系列に計算する応用事例に状態空間モデルのフィルタリングとスムージングがある.このタスクに対してカーネルベイズ推論の有効性を検証し,問題点の抽出・整理,更なる枠組みの改良・改善,新たな研究課題の発見につながる意義がある.
|