| 研究課題/領域番号 |
19H04186
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分61040:ソフトコンピューティング関連
|
|---|
| 研究機関 | 中央大学 |
|---|
研究代表者 |
樋口 知之 中央大学, 理工学部, 教授 (70202273)
|
|---|
| 研究分担者 |
中村 和幸 明治大学, 総合数理学部, 専任教授 (40462171)
Wu Stephen 統計数理研究所, データ科学研究系, 准教授 (70804186)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2023-03-31
|
| キーワード | 深層学習 / 状態空間モデル / 変分オートエンコーダ / 粒子フィルタ |
|---|
| 研究成果の概要 |
時系列データに潜むダイナミクスを記述する状態空間モデルを、深層学習の逐次生成モデルを利用して汎用的モデルに拡張した。モデル内に含まれるパラメータの推定法について、既存手法とは異なるタイプを採用することで、計算メモリを1/100に削減しつつも誤差を既存手法よりも小さくすることに成功した。この手法をシミュレーションデータやカオス現象データに適用し、多次元時系列データに対する表現学習手法としても有効であることを示した。
|
| 自由記述の分野 |
時系列ビッグデータへのベイズモデリング。逐次生成深層確率モデルと状態空間モデルの融合手法。
|
| 研究成果の学術的意義や社会的意義 |
IoT（Internet of Things）の時代となり、人工物の機能や状態のモニタリングのために、膨大なセンサ情報をクラウドに集めることがさまざまな産業分野で企図・実施されている。IoTセンサから得られるデータは、その多くが動画を含めた時系列データである。深層学習の登場により特にこの5年間、ビッグデータが用意されれば、非線形・ガウス型の統計的モデリングの実行主体は、高い見識と豊富な経験をもつ人（モデラー）からマシンに移行する傾向が加速した。本研究では、このような時系列データの自動モデリングに資する基礎的研究を行った。
|
