研究課題/領域番号 |
21K17734
|
研究種目 |
若手研究
|
配分区分 | 基金 |
審査区分 |
小区分60060:情報ネットワーク関連
|
研究機関 | 東京大学 (2022-2023) 青山学院大学 (2021) |
研究代表者 |
田谷 昭仁 東京大学, 生産技術研究所, 助教 (10867948)
|
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 |
3,380千円 (直接経費: 2,600千円、間接経費: 780千円)
2023年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2022年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2021年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
|
キーワード | 車車間通信 / 分散協調学習 / Federated Learning / 環境適応 / フェデレーテッドラーニング / 関数空間 / 協調学習 / 深層学習 |
研究開始時の研究の概要 |
自動車向け無線通信では、安全性の観点から高信頼かつ低遅延であることが求められ、その実現のためには電波伝搬や混雑度など環境に合わせた通信制御が必須である。しかし、高速で遠距離を移動する車両は環境の変化にさらされるため、制御手法そのものを環境に合わせて変化させなければならない。環境の類似する周囲の車両と協力して機械学習を行うことで、その環境に適した制御方法の獲得しつつ、環境変化にも素早く対応できるシステムを考案する。
|
研究成果の概要 |
無線通信技術が広く普及し、自動車にも通信機能を搭載するコネクテッドカーに期待が高まっている。自動車の通信では、安全性の観点から高信頼かつ低遅延であることが求められ、その実現のためには電波伝搬や混雑度など環境に合わせた通信制御が必要である。本研究では車両が環境を機械学習により学習する際に、自律分散的に他車両と強調しながら学習する手法として、フェデレーテッドラーニングと呼ばれる手法を元に分散的かつ学習時の通信量を削減可能なアルゴリズムを開発した。また、空間依存性のある通信環境について、未知の地域での通信特性を学習済みの地域のモデルから予測する手法も考案した。
|
研究成果の学術的意義や社会的意義 |
開発した分散機械学習手法は従来手法とは異なり、ニューラルネットワークのパラメータを車両間で共有しながら共通のパラメータに収束させるのではなく、異なるパラメータであっても同一入力に対して同一出力すれば同じ予測モデルであるという考えのもと、関数そのものを最適化対象とすることが特徴である。この手法の考案にあたり、数値を収束させるのではなく、関数である予測モデルを収束させるという発想の転換があり、今後の分散機械学習の発展への貢献が期待される。
|