自己構成型大脳新皮質学習による高次アンサンブル予測

点击翻译按钮获取中文摘要

本研究では，CLAによる時系列予測性能を向上するため，予測器の構成と取扱い方に関する方法論を構築し，その効果を検証することを目的とした．時系列予測性能を，(A)様々なデータに対応できること，(B)予測精度，(C)予測速度の三つにわけ，上述の従来のCLAにおける問題点を解決する方法論を提案した．まず，(A)様々なデータへの対応を目的として，(1)入力データ値の偏りにあわせて予測器を変更するシナプスの適応配置法を提案した．これにより，従来法では，入力データの表現に利用されなかったカラムを活用できるようになり，人工のテスト時系列データ，実世界の電力消費量データにおける予測性能が改善されることを明らかにした．次に，(B)予測精度の向上を目的として，オンラインでの予測器の適応的構成を促進するため，(2)セルのシナプスネットワークの構築を促進させる不活性セルのシナプス更新法を提案した．従来法が，予測の成功時にシナプスを更新するのに対し，提案法は，予測の失敗時にもシナプスを更新する手段を導入し，予測精度が改善されることを示した．また，予測器内におけるデータの表現力を高め，予測を補正するため，(3)CLAの予測器を階層化して予測を補正する方法を提案し，時系列予測性能が高まることを明らかにした．さらに，(C)予測速度の向上を目的として，予測器の内部状態を数値に変換するデコーダについて，(4)学習を回避するカラムに基づくデコーダを提案した．従来法が，デコーダの構築に学習を要するのに対し，提案法は，既存のシナプスネットワークを活用することで，学習を回避してデコードできるだけでなく，テスト時系列データ，電力消費量の予測性能が高まることを示した．