経時的変化に対するディープラーニングのモデル更新方法

カテゴリ: 部門大会

論文No: GS5-6

グループ名: 【C】2019年電気学会電子・情報・システム部門大会プログラム

発行日: 2019/08/28

タイトル(英語): Deep Learning Model Update Method for Temporal Changes

著者名: 関段 友哉(富士電機),石橋 直人(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): Tomoya Sekidan|Naoto Ishibashi|Tatsuya Iizaka|Tetsuro Matsui

キーワード: ディープラーニング|経時的変化|DeepLearning|Temporal Changes

要約(日本語): 近年，ディープラーニングの研究が進み，様々な分野への応用が増えてきている。ディープラーニングによる予測モデルを，実際のプラントに適用する場合，対象となるプラントの特性が経時的に変化するため，徐々に予測精度が悪化しモデルが陳腐化する問題がある。著者等は，これまでにディープラーニングに用いられる多層ニューラルネットワークの出力根拠の説明方法を提案し，実問題へと適用することで運用者の感覚と近い結果が得られることを確認してきた。本稿では，提案法を特性が経時的に変化する問題へと適用し，自動的にモデルの更新を行うことでモデルの陳腐化を防止し，出力根拠の説明結果から対象の特性変動を確認したのでその結果を報告する。

PDFファイルサイズ: 872 Kバイト