| 05 |
イベントの発生時刻を速く正確に予測します点過程と機械学習を組み合わせたイベント時系列解析技術 
|
|---|
| どんな研究 |
ある出来事（イベント）の発生時刻を予測できれば、あらかじめ備えることでリスクを軽減、あるいはその機を最大限活用することができます。本研究では、点過程と機械学習を用いて、過去のイベントデータに基づき将来のイベント発生時刻を効率良く予測する技術を紹介します。 |
|---|---|
| どこが凄い |
従来技術は高精度である一方、学習に多大な計算時間を要します。私たちは、学習処理の中で従来の対数尤度に代えて点過程二乗誤差を採用することで、予測精度を保ったまま、最大数百倍程度の大幅な学習の高速化を達成しました。これにより、大規模データへの適用が可能となります。 |
| めざす未来 |
機械学習によるイベント予測は、日々増え続けるデータにより予測が正確になる一方、計算処理の負荷は増大しています。大量の観測データを高速に処理できる本技術により、設備故障や需要変動などが「いつ起きるか」を正確に捉え、先回りの判断を支えるサービスの実現をめざします。 |
[1] H. Kim, T. Iwata, A. Fujino, “K2IE: Kernel method-based kernel intensity estimators for inhomogeneous Poisson processes,” in Proc. The 42nd International Conference on Machine Learning (ICML), 2025.
[2] H. Kim, T. Iwata, “A representer theorem for Hawkes processes via penalized least squares minimization,” in Proc. The 14th International Conference on Learning Representations (ICLR), oral, 2026.
金秀明（Hideaki Kim）協創情報研究部知能創発環境研究グループ