| 研究課題/領域番号 |
21K12018
|
|---|
| 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 | 同志社大学 |
|---|
研究代表者 |
大崎 美穂 同志社大学, 理工学部, 教授 (30313927)
|
|---|
| 研究分担者 |
大西 圭 九州工業大学, 大学院情報工学研究院, 教授 (30419618)
片桐 滋 同志社大学, 研究開発推進機構, 嘱託研究員 (40396114)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| 研究課題ステータス |
完了 (2023年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2023年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2022年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2021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 | 知識発見 / 非線形従属関係 / 共非線形性尺度 / 正則化 / ニューラルネットワーク / グループラッソ / 変数間の従属関係 / 共非線形性 |
|---|
| 研究開始時の研究の概要 |
変数間の従属関係の解明は科学や工学に広く求められるが，多種多様な変数を含む現象から未知の知識の種となる従属関係に気づくことは難しい．データ駆動の汎用的な分析手法を適用し，従属関係を検出・発見するアプローチが必要である．これを実現するため，本研究では機械学習に再現性と解釈性を確保する仕組みを加え，高い表現能力で多変数間の非線形な従属関係(共非線形性)を分析する手法を目指す．ニューラルネットワーク回帰(NNR)，グループラッソ(GL)，情報統合(IA)を融合し，共非線形性の尺度NNR-GLと共非線形変数集合・代表の発見手法NNR-GLIAを開発して医療分野に応用する．
|
| 研究成果の概要 |
多変数間の複雑な従属関係(共非線形性)を知ることは現象の理解と解明への第一歩である．既知知識の積上げでは気付き難い未知の共非線形性を，多種多様なデータから帰納的に見出す機械学習技術が望まれる．この実現に向けて，本研究では以下の尺度と手法の提案・開発・評価に取り組んだ．ニューラルネットワーク回帰(NNR)とグループラッソ(GL)を組み合わせて共非線形性を検出する尺度NNR-GL．NNR-GLに情報統合(IA)の機能を加えて共非線形変数集合・代表を発見する手法NNR-GLIA．研究成果としてNNR-GLとNNR-GLIAを完成させ，実験によりこれらの原理的・実用的有効性を示すことができた．
|
| 研究成果の学術的意義や社会的意義 |
共非線形性尺度NNR-GLは従来の従属関係尺度の問題(2変数間に限定，設定の難しさ等)を解決し，より高い性能を達成できる．NNR-GLで得た従属関係を集合に集約するNNR-GLIAは共非線形変数集合・代表を発見可能である．断片的な従属関係を検出する尺度や事前に絞り込んだ変数集合の因果構造を推論する手法は存在するが，変数集合を絞り込む手法は見られない．我々が知る限り，NNR-GLIAはこの役割を担う初の手法である．NNR-GLとNNR-GLIAは「まずは仮説にとらわれずに現象の理解の糸口を探す」ことを支援するため，科学や工学に広く貢献すると考えられる．
|
