雑音を含む大規模データからの知見獲得に向けた個別化に基づく学習分類子システム

一种基于个性化的从含有噪声的大规模数据中获取知识的学习分类器系统

基本信息

批准号：
13J10014
负责人：
中田雅也
金额：
$ 1.73万
依托单位：
The University of Electro-Communications
依托单位国家：
日本
项目类别：
Grant-in-Aid for JSPS Fellows
财政年份：
2013
资助国家：
日本
起止时间：
2013-04-01 至 2016-03-31
项目状态：
已结题

项目摘要

次世代データマイニング手法としての学習分類子システム(Learning Classifier System: LCS)の基盤技術確立に向けて，本年度は，実問題に対して有用なLCSの設計を可能にする「学習戦略に基づくLCSの設計論」を導入した．そして，同設計論に基づいて，採択一年目ならびに二年目で開発した個別化による学習分類システム(XCS with Adaptive Action Mapping: XCSAM)を拡張し，介護支援問題に適用可能なLCSを開発した．導入した設計論は，1）LCS分野において学習戦略の違いがLCSの学習性能に与える影響について明らかにするとともに，2）実問題で想定される問題の性質（入力長やクラスの偏り）に応じて適切な学習戦略を設計すればLCSの学習性能が向上することを提唱するものである．また，介護支援問題として介護施設入居者の深夜徘徊の検出を想定した生活行動認識問題に焦点を当て，同設計論に基づきLCSを開発した．導入したLCSは，従来のLCSよりも最大で８％認識精度が向上することを示した．また，設計論に関して，国際学会１件（IEEE Congress on Evolutionary Computation 2015）にて口頭発表，国内学会１件（SICE システム・情報部門学術講演会2015）にてポスター発表をそれぞれ行い，研究成果を発表している．また，前年度の研究成果である最適解の識別理論について，国内学会１件（第９回進化計算研究会）にて口頭発表を行った．

为了建立作为下一代数据挖掘方法的学习分类器系统（LCS）的基础技术，今年我们将重点研究“基于学习策略的LCS”，该技术将能够设计出对实际问题有用的LCS引入了“设计理论”。基于相同的设计理论，我们扩展了采用第一年和第二年开发的个性化学习分类系统（XCS with Adaptive Action Mapping：XCSAM），并开发了可应用于护理支持问题的LCS．引入的设计理论旨在：1）阐明LCS领域学习策略差异对LCS学习绩效的影响；提出通过设计合适的学习策略可以提高LCS的学习绩效。此外，我们将检测疗养院居民深夜徘徊的日常活动识别问题作为护理支持问题，并基于相同的设计理论开发了LCS。事实证明，引入的 LCS 比传统 LCS 的识别精度提高了 8%。此外，在设计理论方面，我们在1次国际会议（IEEE Conference on Evolutionary Computation 2015）上做了口头报告，在1次国内会议（SICE系统与信息分部学术会议2015）上做了海报展示，并展示了我们的研究成果一。我正在做。另外，我们在国内的一个学术会议（第九届进化计算研究组）上做了关于最优解辨识理论的口头报告，这是我们去年的研究成果。

项目成果

期刊论文数量（15）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

XCS-SL: a rule-based genetic learning system for sequence labeling

DOI：
10.1007/s12065-015-0127-9
发表时间：
2015-03
期刊：
Evolutionary Intelligence
影响因子：
2.6
作者：
Masaya Nakata;T. Kovacs;K. Takadama
通讯作者：
Masaya Nakata;T. Kovacs;K. Takadama

A modified XCS classifier system for sequence labeling

DOI：
10.1145/2576768.2598352
发表时间：
2014-07
期刊：
Proceedings of the 2014 Annual Conference on Genetic and Evolutionary Computation
影响因子：
0
作者：
Masaya Nakata;T. Kovacs;K. Takadama
通讯作者：
Masaya Nakata;T. Kovacs;K. Takadama

学習分類子システムにおけるWilsonの一般化仮設への挑戦

学习分类器系统中对威尔逊泛化假设的挑战