構造適応型深層学習によるTeacher Student型逐次的再学習モデルの提案

2023 年度 研究成果報告書

• 研究課題/領域番号: 19K12142
• 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61040:ソフトコンピューティング関連
• 研究機関: 県立広島大学
• 研究代表者: 市村 匠 県立広島大学, 地域創生学部, 教授 (10295842)
• 研究期間 (年度): 2019-04-01 – 2024-03-31
• キーワード: 構造適応型深層学習 / 構造適応型RBM / 構造適応型DBN / Teacher-Student構造適応型深層学習 / AffectNet / 軽度認知症画像判定

研究成果の概要

学習データに最適なRBMのニューロン数と層の数を自動で定めるAdaptive RBM-DBNと呼ばれる構造適応型学習法は，高い分類精度を示している。医療画像や感情など，曖昧性や矛盾を含む場合には精度の向上が期待できない。この課題に対し2つ以上のモデルを用いたアンサンブル学習として，Teacher-Student(T/S)構造適応型深層学習モデルを提案した。顔感情データ，軽度認知症データに適用したところ，分類性能が向上した。さらに，西日本豪雨災害時の航空画像や衛星画像を用いて，土砂災害による被災した道路を回避しながら避難経路の探索をリアルタイムで発見する方法を提案し，その有効性を示した。

自由記述の分野

深層学習

研究成果の学術的意義や社会的意義

IoTや医療等，データが収集・蓄積されたデータをそのまま画像解析やデータ分析に使用されている。学習時には出現していなかった特徴をもつデータが混在していることがあり，これらを外れ値やノイズとして処理するのではなく，一つの新たな特徴として処理する必要がある。Teacher-Student構造適応型深層学習モデルは実在するデータを無視するのではなく，再学習した知識を蒸留する形で，適切な構造をもつ深層学習法の一つとして提案した。