機械学習システムを高信頼化するNバージョン構成手法の研究

点击翻译按钮获取中文摘要

本研究では多様な入力データと多様な機械学習機能を組み合わせて構成されるNバージョン機械学習システムによる信頼性向上効果を究明することを目的としている．Nバージョン機械学習システムでシステムの出力の信頼性が向上することはこれまで実験的に確かめられていたが，信頼性向上の条件や原理の究明に課題があった．この課題に取り組むため，初年度はN=3の場合，すなわち3バージョン機械学習システムの解析と評価に注力して研究を実施した．3バージョン機械学習システムの基本となる構成として3つの異なる構成方式を挙げ，各構成方式による信頼性向上効果と，モデルの多様性，入力データの多様性を関係づける信頼性評価式を導出した．これにより，どのような条件で3バージョン機械学習システムが有効となるかを明らかにした．これを足掛かりに，一般のN(>3)の場合に拡張してNバージョン機械学習システムの信頼性評価式を導出した．また，理論的な解析と並行し，研究課題1として挙げた信頼性向上のための入力データ多様化方法について研究を進めた．ニューラルネットワークを用いて画像分類をする機械学習システムを想定し，入力画像加工による入力データ多様化でシステム出力の信頼性がどのように向上するかを調査した．ニューロンの発火状態の変化を評価するニューロンカバレッジ向上率という指標を新たに開発し，本指標が信頼性向上に有効なデータ多様化方式を探索する指標となり得ることを実験的に明らかにした．これらの研究成果は国際会議DSC2022およびPRDC2022にて論文発表した．