Development and Application of Co-nonlinearity Analysis Methods Leading to Novel Knowledge Awareness

変数間の複雑な従属関係(共非線形性と呼ぶ)を知ることは，現象の理解と解明に迫る第一歩として重要である．特に多種多様なデータを分析する場合，データを根拠として未知の従属関係を発見する技術が望まれる．この実現を目指して，本研究では変数同士の共非線形性を検出する尺度と，本尺度を用いて非線形従属関係にある変数の集合・代表を発見する手法を開発している．昨年度には新しい共非線形性尺度NNR-GLを提案し，最終的に国際会議と学術論文で発表するに至った．NNR-GLは，ニューラルネットワーク回帰(NNR)により変数間の非線形従属関係をモデル化するとともに，入力層のグループラッソ(GL)により強い従属関係のみを選定し，その強さを尺度値として出力する．共非線形性を検出できるが，検出結果である多数の断片的な従属関係を集約する機能がない．以上を踏まえて，本年度は次の段階，すなわち，NNR-GLの検出結果を集約して共非線形変数集合・代表を発見する手法NNR-GLIAに着手した．年度前半には，異なる初期設定のNNR-GLを繰り返し実行した上で，検出された従属関係にある変数の出現頻度に応じて変数集合を構築する機能IAを考案した．変数集合の代表(従属関係の源流に位置する変数)を導出する仕組みも加えた．そして，NNR-GLとIAの組合せである提案手法NNR-GLIAの定式化・アルゴリズム化と，システム設計・開発を行った．年度後半には，試作システムの動作確認とデバッグとともに，モデル化した従属関係を明示的な関数で表現する方法を検討した．さらにNNR-GLIAを進化的最適化に応用するために，対話型進化計算におけるユーザの志向と最適化対象の変数の間の従属関係も調べた．この調査はNNR-GLIAの開発と平行して行い，成果を国際会議で発表した．次年度にはNNR-GLIAの詳細な評価と応用へと進みたい．

変数間の複雑な従属関係(共非線形性と呼ぶ)を知ることは，現象の理解と解明に迫る第一歩として重要である．特に多種多様なデータを分析する場合，データを根拠として未知の従属関係を発見する技術が望まれる．この実現を目指して，本研究では変数同士の共非線形性を検出する尺度と，本尺度を用いて非線形従属関係にある変数の集合・代表を発見する手法を開発している．昨年度には新しい共非線形性尺度NNR-GLを提案し，最終的に国際会議と学術論文で発表するに至った．NNR-GLは，ニューラルネットワーク回帰(NNR)により変数間の非線形従属関係をモデル化するとともに，入力層のグループラッソ(GL)により強い従属関係のみを選定し，その強さを尺度値として出力する．共非線形性を検出できるが，検出結果である多数の断片的な従属関係を集約する機能がない．以上を踏まえて，本年度は次の段階，すなわち，NNR-GLの検出結果を集約して共非線形変数集合・代表を発見する手法NNR-GLIAに着手した．年度前半には，異なる初期設定のNNR-GLを繰り返し実行した上で，検出された従属関係にある変数の出現頻度に応じて変数集合を構築する機能IAを考案した．変数集合の代表(従属関係の源流に位置する変数)を導出する仕組みも加えた．そして，NNR-GLとIAの組合せである提案手法NNR-GLIAの定式化・アルゴリズム化と，システム設計・開発を行った．年度後半には，試作システムの動作確認とデバッグとともに，モデル化した従属関係を明示的な関数で表現する方法を検討した．さらにNNR-GLIAを進化的最適化に応用するために，対話型進化計算におけるユーザの志向と最適化対象の変数の間の従属関係も調べた．この調査はNNR-GLIAの開発と平行して行い，成果を国際会議で発表した．次年度にはNNR-GLIAの詳細な評価と応用へと進みたい．