Development and Application of Co-nonlinearity Analysis Methods Leading to Novel Knowledge Awareness

共非线性分析方法的开发和应用导致新知识意识

基本信息

批准号：
21K12018
负责人：
大崎美穂
金额：
$ 2.66万
依托单位：
Doshisha University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2024-03-31
项目状态：
已结题

项目摘要

変数間の複雑な従属関係(共非線形性と呼ぶ)を知ることは，現象の理解と解明に迫る第一歩として重要である．特に多種多様なデータを分析する場合，データを根拠として未知の従属関係を発見する技術が望まれる．この実現を目指して，本研究では変数同士の共非線形性を検出する尺度と，本尺度を用いて非線形従属関係にある変数の集合・代表を発見する手法を開発している．昨年度には新しい共非線形性尺度NNR-GLを提案し，最終的に国際会議と学術論文で発表するに至った．NNR-GLは，ニューラルネットワーク回帰(NNR)により変数間の非線形従属関係をモデル化するとともに，入力層のグループラッソ(GL)により強い従属関係のみを選定し，その強さを尺度値として出力する．共非線形性を検出できるが，検出結果である多数の断片的な従属関係を集約する機能がない．以上を踏まえて，本年度は次の段階，すなわち，NNR-GLの検出結果を集約して共非線形変数集合・代表を発見する手法NNR-GLIAに着手した．年度前半には，異なる初期設定のNNR-GLを繰り返し実行した上で，検出された従属関係にある変数の出現頻度に応じて変数集合を構築する機能IAを考案した．変数集合の代表(従属関係の源流に位置する変数)を導出する仕組みも加えた．そして，NNR-GLとIAの組合せである提案手法NNR-GLIAの定式化・アルゴリズム化と，システム設計・開発を行った．年度後半には，試作システムの動作確認とデバッグとともに，モデル化した従属関係を明示的な関数で表現する方法を検討した．さらにNNR-GLIAを進化的最適化に応用するために，対話型進化計算におけるユーザの志向と最適化対象の変数の間の従属関係も調べた．この調査はNNR-GLIAの開発と平行して行い，成果を国際会議で発表した．次年度にはNNR-GLIAの詳細な評価と応用へと進みたい．

了解变量之间复杂的相关关系（称为共非线性）是理解和阐明现象的重要的第一步。尤其是在分析各种各样的数据时，希望有一种技术能够根据数据发现未知的依赖关系。为了实现这一目标，在本研究中，我们正在开发一种检测变量之间共非线性的方法，以及一种使用该方法来发现具有非线性相关关系的变量集/代表的方法。去年，我们提出了一种新的共非线性度量NNR-GL，并最终在国际会议和学术论文中提出。 NNR-GL 使用神经网络回归（NNR）对变量之间的非线性依赖关系进行建模，在输入层中使用组套索（GL）仅选择强依赖关系，并将强度输出为尺度值．．虽然它可以检测共非线性，但它不具备聚合作为检测结果的大量碎片依赖关系的能力。基于上述，今年我们开始了下一步：NNR-GLIA，一种聚合 NNR-GL 的检测结果并发现共非线性变量集/代表的方法。上半年，我们设计了一个函数IA，通过以不同的初始设置重复运行NNR-GL，根据检测到的因变量出现的频率构建变量集。我们还添加了一种机制来派生变量集的代表（位于依赖关系源的变量）。然后，我们对所提出的方法NNR-GLIA（它是NNR-GL和IA的组合）进行了公式化和算法化，并设计和开发了系统。下半年，我们检查了原型系统的运行情况并进行了调试，并考虑了使用显式函数来表达建模依赖关系的方法。此外，为了将NNR-GLIA应用于进化优化，我们还研究了交互式进化计算中用户偏好与优化目标变量之间的依赖关系。这项研究与 NNR-GLIA 的开发同时进行，并在国际会议上公布了结果。明年，我们将继续对NNR-GLIA进行详细的评估和应用。

项目成果

期刊论文数量（0）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Swinburne University of Technology(マレーシア)

斯威本科技大学（马来西亚）

DOI：
发表时间：
期刊：
影响因子：
0
作者：
通讯作者：

NNR-GL: A Measure to Detect Co-Nonlinearity Based on Neural Network Regression Regularized by Group Lasso

NNR-GL：一种基于组套索正则化神经网络回归的共非线性检测方法

DOI：
10.1109/access.2021.3111105
发表时间：
2021
期刊：
影响因子：
3.9
作者：
Ohsaki Miho;Kishimoto Naoya;Sasaki Hayato;Ikeura Ryoji;Katagiri Shigeru;Ohnishi Kei;Sebastian Yakub;Then Patrick
通讯作者：
Then Patrick

Evaluation of the Neural-network-based Method to Discover Sets and Representatives of Nonlinearly Dependent Variables

基于神经网络的非线性因变量发现集和代表方法的评估

DOI：
10.1109/cybconf51991.2021.9464151
发表时间：
2021
期刊：
影响因子：
0
作者：
Ohsaki Miho;Sasaki Hayato;Kishimoto Naoya;Katagiri Shigeru;Ohnishi Kei;Sebastian Yakub;Then Patrick
通讯作者：
Then Patrick

インタラクティブ進化計算の同一タスクを連続実行するユーザに起こる変化の分析

交互式进化计算中连续执行同一任务的用户发生的变化分析