@article{oai:ipsj.ixsq.nii.ac.jp:00209425,
 author = {森, 郁海 and 中村, 嘉隆 and 稲村, 浩 and Ikumi, Mori and Yoshitaka, Nakamura and Hiroshi, Inamura},
 issue = {2},
 journal = {情報処理学会論文誌},
 month = {Feb},
 note = {データの発生源と消費先が近傍である場合，エッジ機器上でAIを利用するユースケースが考えられる．しかしながら，エッジ機器上でAIのための学習も行う際は，クラウドコンピューティングと異なりデータの収集範囲が限られるため，訓練データ不足が深刻な問題となる．本稿では，このような訓練データ不足に対し，収集済みの類似データを学習に流用するためのデータ類似度評価手法を提案する．提案する類似度評価手法は，データの類似度を，データの特徴量に基づき求めるデータ分布の形状に着目し計算する．データ分布の類似度計算において，データ分布の形状が平行移動（シフト）したり，伸縮したり，相似形であったりする場合でも類似度が高くなるように，類似度評価区間を極値で分割し，区間ごとにDynamic Time Warping距離を求め，各距離を結合することで類似度を得る．画像認識でのユースケースを想定した評価環境下では，データ分布の形状にシフトや伸縮，相似形が存在するデータ分布の比較においても，類似画像を抽出可能であり，さらに，ユーザによる調整が必要なパラメータが不要であることを確認した．, There are many use cases for using AI on edge devices in case of the data source and the consumer are very close. However, lack of training data is a serious problem because the range of data collection of edge devices is limited. In this paper, we propose a method of data similarity evaluation using Dynamic Time Warping (DTW) with partition by Peaks for diverting training data that had already collected at other domains. The proposed method partitions the data similarity evaluation interval by peaks of feature data distribution and calculates DTW distance for each partition to evaluate similarity in order to cope with peak shifts and similar in peak shape of feature data distribution. And then the similarity between data distributions is calculated by combining each distance with pre-defined weights. In evaluation assuming the use case of image recognition, we confirmed that the proposed method can extracts similar images from source image set even if peak shifts and similar in peak shape exist when comparing feature data. In addition, we also confirmed that the proposed method does not require any parameters that have to be adjusted by the user under this evaluation.},
 pages = {497--507},
 title = {極値分割とDynamic Time Warpingによるデータ類似度評価手法},
 volume = {62},
 year = {2021}
}