深層学習分類モデルにおける学習データ選定手法の検討

カテゴリ: 部門大会

論文No: GS6-2

グループ名: 【C】2024年電気学会電子・情報・システム部門大会

発行日: 2024/08/28

タイトル(英語): Investigation of Training Data Selection Methods in Deep Learning Classification Models

著者名: 松本 直也（東芝インフラシステムズ株式会社）,高野 俊也（東芝インフラシステムズ株式会社）,伴野 幸造（東芝インフラシステムズ株式会社）,中村 勇介（東芝インフラシステムズ株式会社）

著者名(英語): Naoya Matsumoto (TOSHIBA Infrastructure Systems & Solution Corporation),Toshiya Takano (TOSHIBA Infrastructure Systems & Solution Corporation),Kozo Banno (TOSHIBA Infrastructure Systems & Solution Corporation),yusuke Nakamura (TOSHIBA Infrastructure Systems & Solution Corporation)

キーワード: 深層学習|学習データ|最適化|部分放電分類|Deep Learning|Training Data|Optimization|Partial Discharge classification

要約(日本語): 近年、高度な制御に対する要求から深層学習を用いたシステムへの期待が高まっている。深層学習を用いたシステムでは、運用開始前の学習だけでなく長期運用における環境変化に対して性能を維持するための再学習が必要となる。学習時間はシステムの運用コストに影響を与えるため短いことが望ましい。通常、分類モデルにおける学習データセットはクラス毎に複数のデータから作成される。しかしながら、作成した学習データセットが適切か判断するのは難しく、特徴が類似した学習データが偏っている場合がある。学習データが偏っている場合、データ数が少ない特徴を識別するために、学習回数が増加し学習時間が増加する可能性がある。また、偏っている特徴に対して過学習する可能性があり識別性能にも影響を与える。本稿では、学習時間の短縮と識別性能を両立させる学習データ選定手法について、スイッチギヤ劣化診断をモチーフとして検討する。