研究課題/領域番号 |
19K12094
|
研究機関 | 東京大学 |
研究代表者 |
矢入 健久 東京大学, 先端科学技術研究センター, 教授 (90313189)
|
研究期間 (年度) |
2019-04-01 – 2022-03-31
|
キーワード | 動的システム学習 / 異常検知 / 教師なし学習 / 転移学習 / システム同定 |
研究実績の概要 |
近年、過去の膨大なデータからシステムの挙動モデルを統計的に学習して監視に利用するデータ駆動型の健全性監視法が注目を集めているが、大きく2つの未解決な問題が存在する。第1に、現実に存在する人工システムでは学習に必要な十分な量のデータを事前に確保することが多くの場合非常に困難であるということである。第2に、人工システムの監視において現在の深層学習等の機械学習では説明性が十分に実現されていない点である。本研究では、データ駆動健全性監視のための転移学習法を開発すること、および、工学者・専門家にとって解釈性の高い潜在変数-状態空間モデルと最新の機械学習手法との融合を図ることでデータ駆動健全性監視の説明性を実現することでこれらの課題を解決することを目的としている。当該年度は本研究の初年度であり、第1段階として、まず、同種のシステムでありながらも個体差や稼働環境の差異があるために訓練データを単純に共通化できない場合についての転移学習法の研究を行った。また、潜在変数・状態空間モデルに対する確率的推論アルゴリズムを導出し、異常が検知された際に発生個所を特定することによって説明性を実現する方法についての研究も実施した。具体的には、状態空間モデルにおいて、観測モデルは各システムに特化しつつ、状態遷移モデルや系の背後にある自然法則および状態空間(状態変数集合)を異なるシステム間で共有することを可能にする学習法について研究を行った。
|
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
当初の研究実施計画において、当該年度は、【Sub-1-a:個体・環境差を考慮した同種システムの健全性監視のための転移学習法】第1段階として、まず、同種のシステムでありながらも個体差や稼働環境の差異があるために訓練データを単純に共通化できない場合について、転移学習法を理論的に明らかにすること、【Sub-2-a:データ駆動健全性監視の説明性向上のための異常箇所同定法】潜在変数・状態空間モデルに対する確率的推論アルゴリズムを導出し、異常が検知された際に発生個所を特定することによって説明性を実現する方法を明らかにすること、の2点を主なサブテーマとして挙げていたが、どちらについてもほぼ計画通り取り組むことができているので、「おおむね順調に進展している。」と判断することができる。
|
今後の研究の推進方策 |
当該年度、おおむね順調に進展した大きな理由の1つは、対象となる人工システムが明確に定まっていたことである。具体的には、研究代表者が長年取り組んでいた人工衛星のバス系データを出発点としたことが要因として挙げられる。すなわち、次年度以降も順調に計画を遂行するためには、同様に対象となるシステムを適切に設定することが重要である。この点について、複数のドメインを候補として検討しており、想定外の状況にも対応できるように準備している。
|
次年度使用額が生じた理由 |
当初計画に比べて、計算機の購入費や旅費が少なくなったため、次年度使用額が生じた。次年度については、海外・国内出張等の計画が立てづらい状況だが、計算機資源に投資することで研究の進展を加速する予定である。
|