文献

J-GLOBAL ID：201702267881503291   整理番号：17A0896556

グラフィカル・モデリングに基づくマハラノビス・タグチ法

The Mahalanobis-Taguchi Method Based on Graphical Modeling

著者 (2件)： 大久保豪人 (早稲田大 創造理工) ,  永田靖 (早稲田大 創造理工)
資料名： 応用統計学  (Japanese Journal of Applied Statistics)
巻： 46  号： 1  ページ： 13-26  発行年： 2017年06月30日 
JST資料番号： L2638A  ISSN： 0285-0370  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： マハラノビス・タグチ(MT)法はタグチメソッドの代表的手法の一つであり,異常検知やパターン認識のための基本的な多変量解析法として普及している。特に近年では,センサーから取得されたデータをもとに設備機器の運転状況を監視する目的でMT法が適用された事例も報告されている。しかし,一般にセンサーから取得されたデータはノイズを伴って観測されるため,学習データから本質的な相関構造を推定することが難しい。そこで,本論文では,センサー・データのようなノイズを伴って観測されるデータから本質的な相関構造を推定するため,MT法にガウシアン・グラフィカル・モデリングに基づく正則化のプロセスを導入することを提案する。提案プロセスでは,従来のMT法が精度行列に基づいて相関構造を推定することに着目する。そして,その行列の非対角要素の大半をゼロの値に置き換えることで推定すべきパラメータ数を削減し,本質的な相関構造を精度よく推定することが期待できる。本論文では,UCI機械学習レポジトリで公開されているデータの解析を通じて,提案プロセスの特徴と有用性を示している。また,モンテカルロ・シミュレーションを通じて,精度行列の非対角要素が厳密にゼロの値をとらない場合でも,センサー・データのようなノイズを伴って観測されるデータならば,学習データから本質的な相関構造を精度よく推定できることを実験的に示している。(著者抄録)

シソーラス用語： *モデリング ,  *田口メソッド ,  *データ解析 ,  関数 ,  距離 ,  多変量解析 ,  計算機シミュレーション ,  正則化 ,  *グラフィカルモデリング ,  モンテカルロシミュレーション ,  MTS法 ,  Gauss関数 ,  計算機利用 ,  利用
準シソーラス用語： Mahalanobis-Taguchi システム ,  Mahalanobis距離 ,  ガウシアン

分類 (2件)： 統計的品質管理  (KB04030W) ,  数値計算  (JE02000J)

引用文献 (22件)：

• Akaike, H. (1973): Information theory and an extension of the maximum likelihood principle. In Proc. of 2nd International Symposium on Information Theory, 267-281.
• Chen, J. and Chen, Z. (2008): Extended Bayesian information criteria for model selection with large model spaces. Biometrika 95(3), 759-771.
• Dempster, A. P. (1972): Covariance selection. Biometrics 28(1), 157-175.
• Efron, B. (1982): The Jackknife, the Bootstrap and Other Resampling Plans. SIAM.
• Friedman, J., Hastie, T. and Tibshirani, R. (2008): Sparse inverse covariance estimation with the graphical lasso. Biostatistics 9(3), 432-441.

タイトルに関連する用語 (1件)： モデリング