2015 Fiscal Year Annual Research Report
ノンパラメトリックベイズ法のセミパラメトリックモデルへの拡張とその応用
| Project/Area Number |
25280083
|
|---|
| Research Institution | Nara Institute of Science and Technology |
|---|
Principal Investigator |
池田 和司 奈良先端科学技術大学院大学, 情報科学研究科, 教授 (10262552)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
作村 諭一 愛知県立大学, 情報科学部, 准教授 (50324968)
|
|---|
| Project Period (FY) |
2013-04-01 – 2016-03-31
|
| Keywords | ノンパラメトリックベイズ法 / セミパラメトリックモデル / 運転行動モデリング / システム生物学 / ヘビーテイル |
|---|
| Outline of Annual Research Achievements |
本研究では，変分ベイズ法およびMCMC法を利用したノンパラメトリックベイズ法をセミパラメトリックモデルに適用し，実問題でその有効性を実証することである．27年度はノンパラメトリックベイズ法が対象とする無限次元モデルに撹乱パラメータを導入したモデルを効率よく構築するため，データドリブンのアプローチと理論ベースのアプローチを並行して進める予定であった．
データドリブンモデルの構築については，運転行動および車両の挙動データ，適応支援ロボティクス，血管成長のデータのモデル化に取り組んだ．撹乱パラメータが存在する場合にはセミパラメトリックモデルを導入する予定であったが，本年度に扱ったモデルでは現れなかった．運転行動モデリングについては，ノンパラメトリックベイズ法の一種であるBP-AR-HMMによるモデル化が従来のHMM，AR-HMM，HDP-AR-HMMに比べて優れた予測性能を示すことを確認し，論文投稿中である．さらにドライビングシミュレータを用いてデータ収集を行い，車両の挙動データをも含めたデータがオプティカルフローと最適制御によるモデルによく一致することを確認した．適応支援ロボティクスのデータについては，着衣支援行動のモーションキャプチャデータがガウス過程隠れ変数モデル(GPLVM)でよくモデル化できることを確認した．血管成長のデータについては現時点では力学モデルで説明できることがわかり，セミパラメトリックモデルもノンパラメトリックベイズ法も不要であった．
理論ベースモデルについては，風況予測に用いた方法をさらに一般化し，ヘビーテイルな分布に対してロバストな推定が可能な手法を提案し，信号処理分野で最高レベルのジャーナルであるIEEE Trans. Signal Processing に発表した．
|
| Research Progress Status |
27年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
27年度が最終年度であるため、記入しない。
|
| Causes of Carryover |
27年度が最終年度であるため、記入しない。
|
| Expenditure Plan for Carryover Budget |
27年度が最終年度であるため、記入しない。
|
