順序性と解釈性を考慮した複合イベント処理ルールの半自動生成

2022年度は，shapeletに基づくストリームデータ分類学習アルゴリズムに2つの改良を加えた．1つ目は分類時に用いるshapeletを初期集合から段階的に合成・選別し，長さの異なるshapelet集合を使えるようにしたことである．2つ目はshapeletの選別を行う際にその評価をSHAP値と呼ばれる尺度を用いることでモデルの説明能力の高いものを選別できるようにしたことである．shapeletを用いた分類学習では，分類対象となるストリームデータから一定長の部分系列をランダムに切り出し，選定基準を満たすものをshapelet集合とする．また，各ストリームデータは選定されたshapeletとの最小距離を並べた特徴ベクトルに変換され，分類モデルが生成される．今年度の改良では，最初に抽出された初期shapelet集合を元に新たなshapeletの合成と選別を繰り返すことで長さの異なる有用なshapelet集合の生成を行えるようにした．shapeletの合成は，選別されたshapeletがどのデータのどの位置から抽出されたかを調べ，各データから抽出・合成されたshapeletをデータ上における出現位置のままつなぎ合わせることにより行われる．これによりshapelet間の出現順序だけでなく出現間隔も考慮することができ，性能の改善につながることが分かった．また，抽出・合成したshapelet候補の中から実際にshapeletとして使用するものを選別するための尺度として新たにSHAP値を用いることにより，分類性能と説明能力の高いものを選別できるようにした．以上の改良点を加えたアルゴリズムを実装しベンチマークデータを用いた実験を行ったところ，従来手法と比較し性能が向上することを確認した．

2022年度は，shapeletに基づくストリームデータ分類学習アルゴリズムに2つの改良を加えた．1つ目は分類時に用いるshapeletを初期集合から段階的に合成・選別し，長さの異なるshapelet集合を使えるようにしたことである．2つ目はshapeletの選別を行う際にその評価をSHAP値と呼ばれる尺度を用いることでモデルの説明能力の高いものを選別できるようにしたことである．shapeletを用いた分類学習では，分類対象となるストリームデータから一定長の部分系列をランダムに切り出し，選定基準を満たすものをshapelet集合とする．また，各ストリームデータは選定されたshapeletとの最小距離を並べた特徴ベクトルに変換され，分類モデルが生成される．今年度の改良では，最初に抽出された初期shapelet集合を元に新たなshapeletの合成と選別を繰り返すことで長さの異なる有用なshapelet集合の生成を行えるようにした．shapeletの合成は，選別されたshapeletがどのデータのどの位置から抽出されたかを調べ，各データから抽出・合成されたshapeletをデータ上における出現位置のままつなぎ合わせることにより行われる．これによりshapelet間の出現順序だけでなく出現間隔も考慮することができ，性能の改善につながることが分かった．また，抽出・合成したshapelet候補の中から実際にshapeletとして使用するものを選別するための尺度として新たにSHAP値を用いることにより，分類性能と説明能力の高いものを選別できるようにした．以上の改良点を加えたアルゴリズムを実装しベンチマークデータを用いた実験を行ったところ，従来手法と比較し性能が向上することを確認した．