|
本研究を通じて、車両が多様な環境を学習するための分散機械学習アルゴリズムを開発した。開発したアルゴリズムは中央制御局に管理されることなく、自律的に協調しながら学習するものである。従来の分散学習とは異なり、ニューラルネットワークのパラメータを車両間で共有しながら同一のパラメータに収束させるのではなく、異なるパラメータであっても同じ入力に対して出力が一致すれば同じ予測モデルであるという考えのもと、関数そのものを最適化対象とすることが特徴である。この手法を利用することで多様な環境に応じて端末ごとに少しずつ異なる予測モデルを学習させるといった応用が可能になる。本年度はこのアルゴリズムの通信量を削減する改善を行った。さらに分散学習で関数としての深層学習モデルが収束する様子を次元削減により可視化する手法も開発した。これらの成果は国際会議に採録され、発表した。
その他、本研究全体の成果として、ミリ波帯電波を利用した車車間高速通信向けに空間依存性のある通信環境の学習手法を考案した。ミリ波通信は送受信機間に遮蔽物があると通信容量が低下する。本研究では他車両が遮蔽物となり通信容量が低下することを想定して、車両密度が連続的に変化する広域範囲を対象に各地での車両密度に応じた通信容量を学習する。提案手法ではベイズ推定を利用しており、通信容量を点推定ではなく確率密度分布として予測する。各地点のエッジサーバごとに異なる通信容量分布を学習しておき、それらからエッジサーバのない地点での通信容量分布を導くことができる。
また、分散機械学習アルゴリズムをIoT（Internet of Things）へ応用する研究も行っており、車両とは異なり計算資源に制限がある小型端末でも学習が可能なランダムフォレストや勾配ブースティング決定木にも提案した分散学習が可能なことを示した。
|
