文献

J-GLOBAL ID：202002210280025730   整理番号：20A0995766

ディシジョンツリーアンサンブルモデルの形式的検証とその故障範囲の検出

Formal Verification of a Decision-Tree Ensemble Model and Detection of Its Violation Ranges

著者 (4件)： SATO Naoto (Research & Development Group, Hitachi, Ltd.) ,  KURUMA Hironobu (Research & Development Group, Hitachi, Ltd.) ,  NAKAGAWA Yuichiroh (Research & Development Group, Hitachi, Ltd.) ,  OGAWA Hideto (Research & Development Group, Hitachi, Ltd.)
資料名： IEICE Transactions on Information and Systems (Web)  (IEICE Transactions on Information and Systems (Web))
巻： E103.D  号： 2  ページ： 363-378(J-STAGE)  発行年： 2020年 
JST資料番号： U0469A  ISSN： 1745-1361  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： 英語 (EN)

抄録/ポイント： 機械学習モデルの一つのタイプとして,「ディシジョンツリーアンサンブルモデル」(DTEM)は,一組のディシジョンツリーによって表現される。DTEMは主に構造化データに有効であることが知られているが,しかし,他の機械学習モデルのように,任意の入力値(属性値と呼ばれる)に対して正しい出力値(予測値と呼ばれる)を返すように訓練することは困難である。したがって,DTEMが信頼性を必要とするシステムに関して使用されるとき,開発中にシステム(故障)の機能不全につながる属性値を包括的に検出し,適切な対策を行うことが重要である。一つの考えられる解決策は,DTEMへの入力を制御し故障に導く可能性のある属性値を処理するために分離ソフトウェアを使用する,入力フィルタを設置することである。入力フィルタを開発するために,システムの誤動作に導く属性値のためのフィルタリング条件を特定することが必要である。その必要性を考慮して,DTEMを形式的に検証するための方法を提案し,検証の結果に従って,故障に導く属性値を見出せれば,そのような属性値が存在する範囲を抽出することができる。提案した方法は,故障に導く属性値が存在する範囲を包括的に抽出でき,したがって,その範囲に基づく入力フィルタを作ることによって,故障を防ぐことができる。提案した方法の実現可能性を実証するために,住宅価格のデータセットを用いて事例研究を行った。事例研究により,そのスケーラビリティを評価し,ディシジョンツリーの数と深さが提案した方法の適用性を決定する重要な因子であることを示した。(翻訳著者抄録)

シソーラス用語： *ディシジョンツリー ,  *シミュレーション ,  *解析モデル ,  *検証 ,  *故障検出 ,  機械学習 ,  データ ,  数値 ,  フィルタ ,  信頼性
準シソーラス用語： *アンサンブル・モデル ,  *形式的検証 ,  構造化データ ,  属性値 ,  予測値

著者キーワード (3件)： 機械学習 ,  形式的検証 ,  ディシジョンツリーアンサンブルモデル

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (36件)：

• [1] A. Krizhevsky, I. Sutskever, and G. Hinton, “Imagenet classification with deep convolutional neural networks,” Advances in Neural Information Processing Systems, pp.1097-1105, 2012.
• [2] G. Hinton, L. Deng, D. Yu, G. Dahl, A. Mohamed, N. Jaitly, A. Senior, V. Vanhoucke, P. Nguyen, T. Sainath, and B. Kingsbury, “Deep Neural Networks for Acoustic Modeling in Speech Recognition: The Shared Views of Four Research Groups,” IEEE Signal Process. Mag., vol.29, no.6, pp.82-97, 2012. 10.1109/msp.2012.2205597
• [3] L. Breiman, “Random forests,” Machine Learning, vol.45, no.1, pp.5-32, 2001. 10.1023/a:1010933404324
• [4] J.H. Friedman, “Greedy function approximation: a gradient boosting machine,” Annals of statistics, pp.1189-1232, 2001.
• [5] P. Li, “Robust logitboost and adaptive base class (abc) logitboost,” arXiv preprint arXiv:1203.3491, 2012.

タイトルに関連する用語 (2件)： 形式的検証 ,  故障