| 研究課題/領域番号 |
21K12062
|
|---|
| 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 | 大阪公立大学 (2022-2023)
大阪府立大学 (2021) |
|---|
研究代表者 |
楠木 祥文 大阪公立大学, 大学院情報学研究科, 講師 (30588322)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2023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)
2023年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2022年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2021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 | 機械学習 / プロトタイプ分類モデル / ファジィ最大化関数 / 数理最適化 / ファジィ最大値関数 / プロトタイプ分類 |
|---|
| 研究開始時の研究の概要 |
科学的な意思決定において，その対象を数理的にモデリングすることは必要不可欠である．近年，大量のデータと汎用的数理モデルを用いた機械学習に基づくモデリングが注目されている．意思決定のためのモデリング手法として機械学習を考えたとき，意思決定者がその過程を理解し点検・修正できるように，学習された数理モデルの振る舞いが説明可能であること(モデルの透明性) と，学習の原理が明瞭で合理的であること(モデリングの透明性) が学習手法に期待される．本研究課題では，二つの透明性を考慮して，プロトタイプ分類モデルと数理最適化に基づく学習手法を開発する．
|
| 研究実績の概要 |
本件研究の目的は，モデリング過程とモデル自身の両方の透明性を備え，かつ，高い汎化性能をもつ機械学習手法を開発することであり，そのために，機械学習モデルの一つであるプロトタイプ分類モデルを研究している．2022年度で修正した，学習のための最適化問題（マージン最大化問題）に基づき，2023年度では，学習アルゴリズムを導出した．過去の手法では，制約条件に凹関数を含む最適化問題に対して，逐次線形化手法(Convex-Concave Procedure)を適用することで，学習アルゴリズムを導出していた．これに対して，新手法では，凹関数が目的関数のみにあらわれるように，最適化問題を変形し，逐次線形化手法を適用することで，学習アルゴリズムをより簡単にすることができた．さらに，その問題の目的関数にk-means法と同等の目的関数を加えることで，データの分布を表現すると同時にクラスを識別するプロトタイプ分類モデルを学習できるように改良した．修正前の手法ではプロトタイプが期待されない場所に配置されることがあったが，修正後の提案手法ではその問題が解消されていることを2次元の人工データで確認した．また，素朴なプロトタイプ分類モデルの学習手法（GLVQとclass-wise k-means）と比較して，提案手法はより分類性能の高いモデルを学習できることを示した．これらの研究結果を国際会議2件で発表した．また，2022年度で提案した，外れ値にロバストなk-means法の効果を様々な人工データで検証した．さらに，それにファジィクラスタリングのアイディアを導入することで，ロバストファジィk-means法を導出し，2次元平面上の人工データでその効果を確認した．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
本研究課題ではプロトタイプ分類モデルのファジィ化を計画していたが，2022年度で明らかになった問題点の修正に起因して，複数の側面で提案手法の改良を行った．そのため，本来の目的であるファジィ化が後回しとなった．しかし，その改良によって，提案手法の特徴がより明確になった．
|
| 今後の研究の推進方策 |
2023年度の研究成果をまとめて雑誌に投稿する.また，提案手法の解析や修正も適宜行い，その結果を数値実験で評価し，その結果を学会等で発表する.研究計画で挙げている，距離関数がパラメータ化されたプロトタイプ分類モデルの学習についても考察する.
|
