| 研究課題/領域番号 |
21K12018
|
|---|
| 研究機関 | 同志社大学 |
|---|
研究代表者 |
大崎 美穂 同志社大学, 理工学部, 教授 (30313927)
|
|---|
| 研究分担者 |
大西 圭 九州工業大学, 大学院情報工学研究院, 教授 (30419618)
片桐 滋 同志社大学, 研究開発推進機構, 嘱託研究員 (40396114)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| キーワード | 知識発見 / 非線形従属関係 / 共非線形性尺度 / 正則化 / ニューラルネットワーク / グループラッソ |
|---|
| 研究実績の概要 |
現象の理解と解明には，それを構成する多変数間の複雑な従属関係(共非線形性)の分析が不可欠である．多種多様なデータが利用可能になった現在，データによる既知の従属関係の根拠付けから，データに隠れた未知の従属関係発見への発展が望まれる．そこで本研究では，帰納的アプローチで共非線形性を分析する手法の確立を目指した．初年度には共非線形性を検出する尺度NNR-GLを開発した．中間年度は，NNR-GLの検出結果を集約して共非線形変数集合・代表を発見する手法NNR-GLIAの開発に取り組んだ．
最終年度は，NNR-GLIAを関連手法と比較する形で有効性を検証する評価実験を行った．NNR-GLIAは，変数間の共非線形関係をモデル化するニューラルネットワーク(NN)と，共非線形性が強い変数を選択するグループラッソ(GL)，断片的な関係を集合化する情報集約(IA)から成る．ゆえに比較対象は，既存の従属関係の尺度(線形尺度CC，区分化やカーネル写像による非線形尺度MIC，HSIC等)とIAの組合せとした．評価実験では下記の有効性を段階的に調べた．原理的有効性：正解の共非線形変数集合・代表を数式で定義して人工データを合成．この正解を発見できるか．実用的有効性：正解をドメイン知識に基づき作成して，ベンチマーク実データに付与．この正解を発見できるか．実験の結果，NNR-GLIAは多くの条件で，比較対象よりも高い発見性能を達成できた．我々は本成果を学会発表で報告した．
研究期間全体の成果としては，多変数間の複雑な従属関係の分析手法としてNNR-GLとNNR-GLIAを確立し，学会発表と学術論文で成果を公表するに至った．今後の研究では，「変数間に何らかの関係がある(従属)」を発見する本分析手法を，「何が原因で結果が生じたのか(因果)」の発見へと発展させる予定である．
|
