| 研究課題/領域番号 |
23K11120
|
|---|
| 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60080:データベース関連
|
|---|
| 研究機関 | 神奈川工科大学 |
|---|
研究代表者 |
鷹野 孝典 神奈川工科大学, 情報学部, 教授 (40434419)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2025年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2024年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2023年度: 3,120千円 (直接経費: 2,400千円、間接経費: 720千円)
|
|---|
| キーワード | 自然環境観測 / 特徴抽出 / ベクトルデータベース / 大規模言語モデル / ニューラルネットワーク管理システム / ニューラルネットワーク管理コンテキスト認識 / 現実空間情報 / コンテキスト認識 / グリーンAI / 省電力化 |
|---|
| 研究開始時の研究の概要 |
本研究では，多様かつ複合的な要素から構成される現実空間コンテキストを適切に認識するために，状況認識に適したDNNの組み合わせを選択するDNN抽出機能やDNNのパターン認識性能に関する信頼性算出機能をDNN管理システムに組み込んだ，動的かつ拡張性の高いDNN連携機構を考案する．これにより，視覚，聴覚，動作等のマルチモーダル情報から現実空間コンテキストを推定し，人の知的活動支援に必要な知識情報等を提供することが可能となる．実証実験では，動的に変化する現実空間コンテキストの高度な認識機能を必要とする自然環境調査やナビゲーション等の領域に焦点を当て，提案方式及び実現システムの有効性・有用性を検証する．
|
| 研究実績の概要 |
本研究課題では、多様な分野領域を対象とする現実空間コンテキストの認識・理解を可能とする人工知能を構築するために、独立に存在するニューラルネットワーク群を連携させることで、多分野領域へとスケールアウト的かつ選択的に拡張させる手法の実現を目指す。2023年度は、複数の領域でコンテキスト認識を行う個々のニューラルネットワークの考案と開発を重点的に行った。
(1) 現実空間として自然環境を対象として環境の変化を分析するために、画像特徴を抽出するネットワークとしてオートエンコーダ、および、距離学習ニューラルネットワークを適用した画像特徴の分類手法を提案し、特徴ベクトルデータベースによる検索機能を備えたプロトタイプの実装を行った。オートエンコーダと距離学習ニューラルネットワークを連結した構成を持つモデルを構築することにより，オートエンコーダから抽出した画像特徴の再利用性を保つとともに、オートエンコーダと距離学習ニューラルネットワークを組み合わせた柔軟なモデル構築を実現可能であることを示した。
(2) 大規模言語モデルを利用して、外部刺激により変化する人の内面感情を推定するための感情モデルを提案し、デモシステムを開発した。人間らしい感情の動きを模倣するために、他者との会話等を通じて自分の内面感情に与える影響度を制御する「内面ゲート」および自分の内面感情が他人との会話にどの程度影響するかを制御する「社交ゲート」を設け、さまざまな感情パターンの推定が実現可能であることの見込みを得ることができた。
(3) 画像認識ニューラルネットワークを対象として、個々のニューラルネットワークを管理するための基本設計を行った。認識精度および消費電力等を考慮してニューラルネットワークを選択し、画像認識性能を拡張させる見込みを得ることができた。
|
| 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
2023年度～2024年度の計画としていた現実空間コンテキスト認識機能の実現について、自然環境や人の感情を対象としたニューラルネットワークモデルを構築した。国内・国際会議での成果発表やデモシステムの開発等も順調に行うことができた。しかし、2023年度の計画としていた数万以上の超多クラスに対応した認識機能を実現するためには、さらにさまざまな現実空間コンテキストに対応するニューラルネットワークモデルをする必要がある。
|
| 今後の研究の推進方策 |
2024年度は引き続き、超多クラス認識機能を実現するために、異なる領域で独立に構築した認識精度及び信頼性の高い複数の深層ニューラルネットワーク(DNN)を動的に構成することにより、数万以上の超多クラスに対応した認識機能を実現し、認識性能を評価する。さらに、各機能実現のために多領域において独立に構築された大量のDNN群の管理（検索、配信、連携）機構を実現するとともに、索引付けによるDNNの検索性能及び応答時間性能等を評価する。また、低電力で動作するDNNの開発にも着手し、認識精度および消費電力等を考慮してDNNを選択する機能について実装を進めていく。
|
