| 研究課題/領域番号 |
20K11992
|
|---|
| 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 | 佐賀大学 |
|---|
研究代表者 |
堂薗 浩 佐賀大学, 理工学部, 准教授 (00217613)
|
|---|
| 研究分担者 |
中國 真教 福岡大学, 公私立大学の部局等, 准教授 (10347049)
|
|---|
| 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: 910千円 (直接経費: 700千円、間接経費: 210千円)
2021年度: 1,950千円 (直接経費: 1,500千円、間接経費: 450千円)
2020年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
|
|---|
| キーワード | 時系列処理 / 自己組織化マップ / IoT機器 / 時系列解析 / 時系列予測 / 時系列異常検出 / 機械学習 / リザーバネットワーク / 唇動画生成 / Reservoir Computing / ランダムニューラルネットワーク / リザーパーコンピューティング / 学習支援システム / 障害者支援システム |
|---|
| 研究開始時の研究の概要 |
Reserver Computingは最近応用が進んでいる深層学習と同じニューラルネットで，より計算量が少ない方式として注目されている．
本研究の計画の概要は，まず、Reservoir Computing の特性を解析し、自己組織化マップと融合したアルゴリズムの開発を行う。次に公開されているベンチマークデータなどを用いて性能評価やチューニングを行い、実世界データへの応用を進めていく。実世界データとしては、教育関連分野のデータおよび、福祉関連のデータを予定している。
|
| 研究成果の概要 |
本研究課題では、計算量の少ない時系列処理手法であるReservoir Computingの性能向上のために、自己組織化マップを用いて状態分類を行い、各状態について出力行列を学習させるアルゴリズムを開発した。また、そんアルゴリズムの有効性を、実験により確認し、従来のReservoir Comutingでは大きく性能低下が見られる、教師入力なしの状態（学習終了後）においても、時系列の予測が可能となった。また、本アルゴリズムを、KDDCUP2021、2022のデータに対して適用し、その効果を確認した。
|
| 研究成果の学術的意義や社会的意義 |
近年IoT機器の普及により、様々なデータが収集され、その解析や応用が行われているが、従来のAIの手法を用いて大規模な時系列データの処理を行うにはioT機器は計算能力が低く、また、ネットワークを用いてクラウドで処理するのにも、データ通信量が大きくなり、そのための電力消費が大きい、そこで、IoT機器などでも実行可能な、軽量で性能が良い時系列処理手法が求められ、その一つがReserviur Computing(RC)である、本研究課題では、自己組織化マップとRCを組み合わせたReservoir自己組織化マップを開発し、その有効性を実験により確認した。
|
