{"created":"2025-01-19T01:11:56.700498+00:00","updated":"2025-01-19T18:02:22.001350+00:00","metadata":{"_oai":{"id":"oai:ipsj.ixsq.nii.ac.jp:00210741","sets":["6164:6165:6640:10580"]},"path":["10580"],"owner":"44499","recid":"210741","title":["センサーから取得した時系列データのためのデータ補完手法"],"pubdate":{"attribute_name":"公開日","attribute_value":"2020-06-17"},"_buckets":{"deposit":"7916ba6c-fbb8-471f-bc2d-5e5b1a348669"},"_deposit":{"id":"210741","pid":{"type":"depid","value":"210741","revision_id":0},"owners":[44499],"status":"published","created_by":44499},"item_title":"センサーから取得した時系列データのためのデータ補完手法","author_link":["534228","534227"],"item_titles":{"attribute_name":"タイトル","attribute_value_mlt":[{"subitem_title":"センサーから取得した時系列データのためのデータ補完手法"}]},"item_keyword":{"attribute_name":"キーワード","attribute_value_mlt":[{"subitem_subject":"Internet of Things","subitem_subject_scheme":"Other"}]},"item_type_id":"18","publish_date":"2020-06-17","item_language":{"attribute_name":"言語","attribute_value_mlt":[{"subitem_language":"jpn"}]},"item_18_text_3":{"attribute_name":"著者所属","attribute_value_mlt":[{"subitem_text_value":"東京女子大学 理学研究科"},{"subitem_text_value":"東京女子大学 理学研究科"}]},"item_publisher":{"attribute_name":"出版者","attribute_value_mlt":[{"subitem_publisher":"情報処理学会","subitem_publisher_language":"ja"}]},"publish_status":"0","weko_shared_id":-1,"item_file_price":{"attribute_name":"Billing file","attribute_type":"file","attribute_value_mlt":[{"url":{"url":"https://ipsj.ixsq.nii.ac.jp/record/210741/files/IPSJ-DICOMO2020028.pdf","label":"IPSJ-DICOMO2020028.pdf"},"date":[{"dateType":"Available","dateValue":"2022-06-17"}],"format":"application/pdf","billing":["billing_file"],"filename":"IPSJ-DICOMO2020028.pdf","filesize":[{"value":"2.2 MB"}],"mimetype":"application/pdf","priceinfo":[{"tax":["include_tax"],"price":"660","billingrole":"5"},{"tax":["include_tax"],"price":"330","billingrole":"6"},{"tax":["include_tax"],"price":"0","billingrole":"44"}],"accessrole":"open_date","version_id":"316ce89b-1d5e-4c51-91b1-b74f5cdba9bb","displaytype":"detail","licensetype":"license_note","license_note":"Copyright (c) 2020 by the Information Processing Society of Japan"}]},"item_18_creator_5":{"attribute_name":"著者名","attribute_type":"creator","attribute_value_mlt":[{"creatorNames":[{"creatorName":"永島, 寛子"}],"nameIdentifiers":[{}]},{"creatorNames":[{"creatorName":"加藤, 由花"}],"nameIdentifiers":[{}]}]},"item_resource_type":{"attribute_name":"資源タイプ","attribute_value_mlt":[{"resourceuri":"http://purl.org/coar/resource_type/c_5794","resourcetype":"conference paper"}]},"item_18_description_7":{"attribute_name":"論文抄録","attribute_value_mlt":[{"subitem_description":"近年，センサーデータやウェアラブルデバイスのデータなど，分析に利用可能なデータの量と種類が増えてきた．Industry 4.0 のようなスマートファクトリーも分析例のひとつである．収集データは単位の統一や外れ値や欠損値の対処などを含んでおり，分析前の「前処理」が不可欠である．この前処理は分析プロジェクトのリソースのうち 80% を費やしているというデータもあり，分析者に多大なインパクトを与えている．そのため，私たちは分析者の前処理における負荷を削減し，かつ既存手法と同程度以上の精度をもつ前処理の自動化する手法として APREP-S（Automated Pre-Processing for Sensor Data）を提案してきた．APREP-S は，Programming by Example アプローチとベイズ推論を用いて外れ値・欠損値を自動で補完する手法である．しかしながら，従来の APREP-Sは，初期モデル生成のためのトレーニングデータを分析者が生成する必要があった．そこで本稿では，APREP-S を拡張し，初期モデルのためのトレーニングデータ生成にクラスタリング手法を用いる手法を提案する．提案手法は補完精度の比較を，初期モデルのトレーニングデータ生成方法，既存のデータ補完手法，に関して行い，APREP-S が有効な補完手法であることを示した．","subitem_description_type":"Other"}]},"item_18_biblio_info_10":{"attribute_name":"書誌情報","attribute_value_mlt":[{"bibliographicPageEnd":"173","bibliographic_titles":[{"bibliographic_title":"マルチメディア，分散協調とモバイルシンポジウム2047論文集"}],"bibliographicPageStart":"167","bibliographicIssueDates":{"bibliographicIssueDate":"2020-06-17","bibliographicIssueDateType":"Issued"},"bibliographicVolumeNumber":"2020"}]},"relation_version_is_last":true,"weko_creator_id":"44499"},"id":210741,"links":{}}