予測モデル自動学習のためのコンセプトドリフト検出手法と学習期間調整手法

カテゴリ: 部門大会

論文No: GS5-5

グループ名: 【C】2022年電気学会電子・情報・システム部門大会

発行日: 2022/08/24

タイトル(英語): Effective method for automatic training of prediction models based on concept drift detection and adjustment of training length

著者名: 金田 龍哉（富士電機）,島崎 祐一（富士電機）,飯坂 達也（富士電機）,松井 哲郎（富士電機）

著者名(英語): Ryuya Kaneda (Fuji Electric),Yuichi Shimasaki (Fuji Electric),Tatsuya Iizaka (Fuji Electric),Tetsuro Matsui (Fuji Electric)

キーワード: 予測|コンセプトドリフト|機械学習機械学習|predict|concept drift|machine learning

要約(日本語): 予測システムには，運用後の時間経過とともに予測誤差が増加していく問題がある。この現象はコンセプトドリフトと呼ばれる入力変数と目的変数の関係変化にて引き起こされる。筆者らはこの問題に対応するため，自動的に予測モデルを再学習するシステムを需要予測の分野で実用化し，約20年にわたる安定運用を実現している。しかし，他分野への適用に関しては，検討の余地がある。本稿では汎用性を高めるため，コンセプトドリフトの自動検出と再学習時の学習期間の調整が有効であるかの基礎的な検討を行った。検証の結果，再学習時に学習期間の調整を行うことで，コンセプトドリフト発生後の平均絶対誤差が約30%減少したので報告する。