高階層型神経回路のトポロジー保存性を活用する未観測領域推定手法と実証システム構築

点击翻译按钮获取中文摘要

本申請研究は、Deep Neural Network(DNN)を用いた観測困難もしくは観測不可能なデータ領域を実用レベルで推定する手法開発を目的とし、実証システム構築までを目指すものであり、観測可能領域に隣接する周辺部分では、ドラスティックに様相が変化する確率は低いと考え、観測領域のトポロジー(例えば局所的な規則性)を保存したまま周辺部分へ拡張することで、尤もらしい未観測状態推定の実現を目指すものであり、机上の空論で終わらせない為に実証システム構築までを目標としている。初年度は、Local Feature Learningと呼ぶ手法を、Deep Learningに併用可能であること、そしてその効果が十分に見込める成果を得ている。次年度は、連続性を確保できる高次元入力データの特徴空間への写像時のトポロジー保存の確認、入力データに人工的に未観測領域を設定した条件下での特徴空間の調査を中心に進めた。結果としては、局所的には入力データのトポロジー保存が達成されることを確認できたが、特徴空間の広範囲ではトポロジー欠陥が発生してしまうことが観測された。今後、トポロジー欠陥に対応できる手法の検討が急務である。未観測領域設定のデータではでは、先に述べたトポロジー欠陥発生の問題から広範囲な特徴空間を張れず、観測可能な欠陥領域を観測できなかったため、こちらも継続して検討する必要がある状況である。なお、実証システム構築へ向けた取り組みは、学内等に準備した実験農園を始め、各種センサデータの自動取得が可能となっている。しかしながら、これらの実データへの本研究の適用までは進んでいないため、今後の課題となっている。最終年度である今年度は、昨年度の課題であった実証システムの構築への取り組みを行ってきた。センサからの実データを適用すべく研究を推進してきたが、年度途中で本研究課題が廃止となったため道半ばでの終了となった状況である。