|
Gaussian Process Latent Variable Model(GPLVM)を用いて異なる次元を有する二つの時系列データに対して共有する潜在状態を推定する場合、従来のアルゴリズムでは、EMアルゴリズムを用いていることにより、潜在状態とカーネル関数のパラメータの双方を交互に推定する必要があり、効率が良くなかった。それに対し多層パーセプトロンを導入し、観測状態と潜在状態の同時確率の尤度が最大になるように推定を行った。その結果、SharedGPLVMにおいても従来手法よりも効率、推定精度ともに良い手法を確立することができた。しかし、GPLVMは観測状態と潜在状態との直接的な対応関係を推定するものであり、潜在状態におけるダイナミクスは扱っていない。このことから、Gaussian Process Dynamic Modelsに提案手法を導入し、従来手法よりも効率、推定精度ともに良い手法を提案した。さらに、提案手法をSharedGPDMに拡張し、潜在状態のダイナミクスを考慮した調整を行うことで従来手法よりも効率の良い推定を実現した。最終年度は、異なる２つの時系列データに対して潜在状態を介在して変換することを試みた。良好な初期状態を得るために正準相関分析によって得られた潜在状態に基づき、再度提案した手法の適用を行ったが、期待していたような精度の高い対応関係を得ることができなかった。この理由としては、一度、次元を圧縮して情報量が欠損した状態からのみでは元の時系列データに完全に対応する時系列データは生成できず、他に追加情報が必要であることがわかった。ただし、それまでに開発した手法において、複数時系列データの共通した潜在状態を効率良く推定することは可能となり、実世界での様々な対応関係を捉える基盤技術を構築できたと言える。
|
