2024-03-29T07:32:51Zhttps://ipsj.ixsq.nii.ac.jp/ej/?action=repository_oaipmhoai:ipsj.ixsq.nii.ac.jp:001839102023-04-27T10:00:04Z01164:04061:09092:09256
センサ行動認識におけるモデル選択jpn分析と検出2http://id.nii.ac.jp/1001/00183822/Technical Reporthttps://ipsj.ixsq.nii.ac.jp/ej/?action=repository_action_common_download&item_id=183910&item_no=1&attribute_id=1&file_no=1Copyright (c) 2017 by the Information Processing Society of Japan九州工業大学九州工業大学大北, 剛井上, 創造三軸加速度センサや角速度センサ (ジャイロセンサ) などのスマートフォン搭載センサや,ドップラセンサや電界共振方式センサなどの非接触式のセンサから取得したデータを基に 「歩いている」,「風呂の湯船につかった」 などの人間の行動を認識する技術は,IoT / ビッグデータ / 人工知能の進展とともに近年急激に注目を集めている.この技術は機械学習を用いて教師ありの学習をする形が一般的 [6], [11] だが,現実的な設定においていわゆる 「モデル選択」 という話題に到達する.つまり,どのようなパラメータを選択すると推定の精度を最も高く設定するチューニング法に関わる.ウィンドウの幅やサンプリング間隔をどう取ればよいかは自明ではなく,データ依存する場合が多いため,モデル選択を行なう.この技術には副産物があり,どのセンサを用いればよいか,センサ信号のどの部分を重点的に見ればよいかなどの疑問にも答えることができる.本論文の設定においては,ランダムフォレスト,深層学習,アンサンブル RNN などを機械学習器として想定し,これらに対してモデル選択を行なう.モデル選択は従来,パラメトリック型を中心とした AIC [1],BIC [15],MDL [14] などを中心として発展してきたが,ノンパラメトリック型の (深層) 学習においてはクロスバリデーションが用いられる.さらに,ハイパーパラメータのモデル選択にはベイジアン最適化 [16] やグリッドサーチなどが良く用いられる.また,本論文においては非周期型のモデル選択 / 特徴選択法であるアンサンブル RNN [10] + ベイジアン最適化も導入し,これはベイジアン最適化やグリッドサーチなどの周期型のモデル選択とは異なる.アンサンブル RNN をセンサ入力の相対時刻に対して相対的な重要度を特徴選択できるため,従来の方法では周期的に最適なものを選択するしかできなかったが,ここにおいては,周期的に捉われずに時系列で重要な点を直接サンプリングできる形の選択を行なう.これらの上で,グリッドサーチやベイジアン最適化 [16] を議論する.AA11838947研究報告ユビキタスコンピューティングシステム(UBI)2017-UBI-5611172017-10-252188-86982017-10-24