| 研究課題/領域番号 |
21K17771
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分61010:知覚情報処理関連
|
|---|
| 研究機関 | 愛知工業大学 |
|---|
研究代表者 |
玉森 聡 愛知工業大学, 情報科学部, 准教授 (20733512)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2022年度)
|
| 配分額 *注記 |
4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)
2024年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2023年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2022年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2021年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
|
|---|
| キーワード | 異常音検知 / 深層距離学習 / ロバスト多変量解析 / ロバスト統計 / Projection depth / 異常検知 / 深層学習 / 強化学習 / 情報幾何学 |
|---|
| 研究開始時の研究の概要 |
異常音検知システムにおいては、長期間の運用に渡って収集される大量の正常音とごく少量の異常音を活用した異常検知精度の向上が求められる。本研究では、異常データの量で変わりうる学習アルゴリズムを強化学習と距離学習の観点から統合する。そして学習データ量の経時的な増加に対応して、継続的な異常音検知精度向上を実現する学習アルゴリズムの開発を目指す。さらにこれまで数多く提案されてきた異常音検知技術を情報幾何学の観点から整理・解釈し、画像や動画像など音以外のセンサデータに対する異常検知技術への展開を目指す。
|
| 研究実績の概要 |
2022年度はロバスト統計に基づく外れ値検知アルゴリズムの研究開発に取り組んだ。ロバスト多変量解析の分野で登場するdepthと呼ばれる順序統計量に注目し，とくにprojection depthを中心に検討を進めた．projection depthを外れ値検知に用いる場合，サンプルデータ群がクラスタを構成するような場合に検知性能が顕著に低下することを実験的に確認している．そこでサンプルデータセットに対してクラスタリングを事前に施し，各データが所属するクラスタの濃度に基づいて外れ値スコアを重み付けする方法を提案した．研究成果は電子情報通信学会論文誌に採録が決定している．
前年度から引き続き，深層距離学習を考慮した異常音検知アルゴリズムの研究開発に取り組んだ。2021年度の研究調査により、異常音に付与された属性（機械種別など）の分類器に基づいて構築する異常音検知モデルの有効性が示されており、本年度はこのモデルを元にして研究を進めた。実験を通じて，AdaCosに基づく距離学習が有効であることを確認した．研究成果の発表の場として、異常音検知の国際コンペティションであるDCASE2022 Challenge task2に参加した．
一方，異常音検知精度の向上に有効な特徴量も同時に検討した．多くの異常音検知手法のモデルの入力に用いられる音声特徴量はメルスペクトログラムであるが，音声に含まれる位相変動は失われてしまう．位相変動を考慮するために，複素スペクトログラムを入力可能なすべての特徴量抽出演算において，複素数値の構造を保つ複素数値モジュールと，メルスペクトログラムを入力とする実数値モジュールを組み合わせた複素数値ハイブリッドニューラルネットワークの有効性を検討した．本研究成果は電子情報通信学会応用音響研究会にて発表した．
|
| 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
ロバスト統計を考慮した外れ値検知アルゴリズムについて、研究成果を論文として対外発表することができた点は自己評価できる．しかしながら，研究計画にある教師なし学習と教師あり学習の統合する形でアルゴリズムを構築することには至っておらず，またガンマダイバージェンスを軸とした異常検知の学習アルゴリズムは達成できていない．この点で進捗は遅れているといえる．
|
| 今後の研究の推進方策 |
現在，本年度で開発した教師なし外れ値検知モデルをカーネル法と統合し，自己教師あり学習の枠組みで統合することを検討している．カーネル法との統合に関しては，いくつかのベンチマークセットでは良好な検知性能を確認できている．また研究計画にある外れ値検知モデルの幾何学的な定式化を見据えて，高次元統計学および情報幾何学との関連を調査する．
|
