| 研究課題/領域番号 |
22K11942
|
|---|
| 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60030:統計科学関連
|
|---|
| 研究機関 | 早稲田大学 |
|---|
研究代表者 |
永田 靖 早稲田大学, 理工学術院, 教授 (30198337)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
3,640千円 (直接経費: 2,800千円、間接経費: 840千円)
2024年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2023年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2022年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
|
|---|
| キーワード | タグチメソッド / MTシステム / T法 / スパースモデル / バギング / RT法 / 混合モデル / アンケート調査データ / 異常検知 / 予測 / ロバスト推定 / 機械学習 |
|---|
| 研究開始時の研究の概要 |
タグチメソッドの精緻化の研究を目指す．特に，タグチのMTシステムとロバストパラメータ設計を中心に，昨今のデータ環境でより機能する方法論の研究を行う．
MTシステムは異常検知と予測のためのタグチ流多変量解析法である．ロバストパラメータ設計はノイズの影響を受けにくい要因を発見するためのタグチ流実験計画法である．
MTシステムの理論的性質や改良手法に関しては，私たちにより，これまでかなり研究が進んでいる．本研究では，さらに発展・精緻化させ，高次元・小標本のデータ環境では機械学習と融合した手法を開発し，適用範囲と精度を向上させたい．ロバストネスの観点からMTシステムとロバストパラメータ設計を融合させたい．
|
| 研究実績の概要 |
①タグチのT法について，高次元データへの適用を想定した変数選択付きTa法を提案した．数値実験を通して，真のモデルがT法モデルである適切なデータに対してTa法は提案手法と同程度の性能を発揮することを示した．一方で，真のモデルが線形重回帰モデルなどの不適切なデータに対しては，提案手法の方がTa法よりも優れた性能を発揮することを示した．すなわち，提案手法がモデルの誤設定に対してロバストであると考えられる．この成果を2022年度の国際会議（Asian Network for Quality）で発表した．さらに，2023年度には，その内容に，さらに改良を加えて学術誌に投稿し，掲載された．
②アンサンブル枝刈りをバギングMT法に応用した2つの手法について提案し，実データを用いてその性能を検証した．アンサンブル枝刈りによって，学習させた異常データと同じパターンないし，似ているパターンの異常判別では，バギングMT法の判別精度を向上させることができた．一方，全く異なるような未知の異常判別では，性能を向上させることは難しかった．この成果を2022年度の国際会議（Asian Network for Quality）で発表し，Best Paper Awardに選ばれた．2023年度では，その内容に，さらに改良を加えて学術誌に投稿し，掲載された．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
MTシステムの新手法の研究については，複雑な状況下を設定したもとで，研究成果を出すことができた．研究成果の論文化と掲載を達成することができた．
一方，ＳＮ比や田口流実験計画法の研究には十分取り込むことができなかった．
|
| 今後の研究の推進方策 |
より複雑な状況におけるSN比解析や田口流実験計画法，そしてMTシステムの研究については研究を継続してきたい．特に，前者については，誤差因子が共変量として観測される場合のデータ処理と解析方法の拡張，後者については，スパースモデリングをRT法へ拡張すること，また，欠測値処理，半教師データの解析をMTシステムの各手法へ拡張するなど，データの構造の複雑さに対して，研究を深めていきたい．
|
