| 研究課題/領域番号 |
23K16888
|
|---|
| 研究機関 | 筑波大学 |
|---|
研究代表者 |
橋本 武彦 (BouSavong) 筑波大学, 計算科学研究センター, 助教 (80910760)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2027-03-31
|
| キーワード | 段階的な学習 / Transformer / 時系列予測 / 欠損値 / データクレンジング |
|---|
| 研究実績の概要 |
今年の研究成果は、時系列予測とデータクレンジングにディープラーニングを使用することに焦点を当てている。1件の査読あり国際会議と 1 件の査読あり雑誌論文を出版した。
国際会議の論文では、データ クレンジング、特に欠落している属性値を扱う。既存の手法は、学習と予測に使用されるレコード間の違いを無視する。精度は十分ではないので、さらに改善できる可能性がある。本研究では、(1) 最大化ベースのアプローチ (MP) と (2) 距離比ベースのアプローチ (DP) の 2 つのソリューションを提案した。MP と DP は、値が欠落している不完全なレコードが、パラメーターの学習に使用されるレコードと可能な限り類似していることを保証する。k 個の最近傍セット (k-NN) だけでなく、k 個の完全なレコードの可能なすべての組み合わせである k-Set から、可能なすべてのパラメーターを学習する。不完全なレコードの修復された候補に最も類似するレコードから学習されたパラメータが選択される。実験的には、MP と DP は既存の手法よりも大幅に優れている。
雑誌論文では、時系列データの予測に焦点を当てている。時系列データの予測は、株価予測システム、天気予報など、さまざまな分野で役立つ。Informer は現在、最も効率的な予測モデルである。 Informer の主な欠点は、段階的な学習ができないことだ。Finformer と呼ばれる Fast Informer を提案する。Finformer は、セルフアテンションの位置/時間/値の埋め込みとクエリ/キー/値を段階的に効率的に計算できる。理論的には、Finformer は、最先端のモデル Informer よりもトレーニングと予測の両方の速度を向上させることができる。実験により、Finformer は Informer よりも約 26% 高速できる。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
1: 当初の計画以上に進展している
理由
-既存のアプローチのパフォーマンスを実際に改善できる優れた提案を考え出す
-共著者との有意義な議論
-実装に費やす時間を短縮
-対象のデータセットを素早く見つけることができた
-実験結果の生成に費やす時間が短縮された
|
| 今後の研究の推進方策 |
-ディープラーニングを使用してリアルタイムのデータ問題を処理する可能性を研究する
-深層学習を引き続き使用して、不完全で順序が乱れたデータ ストリームを処理する
-ストリーム処理システムにディープラーニングを組み込んだプロトタイプシステムの作成を検討中。
-3本の論文を出版する予定
|
| 次年度使用額が生じた理由 |
-2023年度内にもう1件の論文が採択されると想定しているが、決定は遅れているので、２０２３年度からの金額が少し残っている。
-この金額は２０２４年の予算と合わせて、旅費または論文掲載料に充てさせていただく予定
|
