SkilTran
スキルトランは、ニューラルネット技術を応用したデータ解析、特徴抽出ツールです。
データ内に存在する因果関係が、スケルトンネットワーク学習法によって自動的に抽出/表示されるため、予備知識なしにデータの本質に迫ることが可能となりました。
従来の統計的手法では、ユーザーが明示的に解析対象、方法を指示しなければ何も始まりませんでした。これに対し、SkilTranでは、ユーザーが
- どのようなデータの中に因果関係を見いだしたいのかを決め、
- そのデータを、原因と結果がワンセットとなった事例ペアに分け、
- 原因を入力ノード、結果を出力ノードとしたスケルトンネットワーク学習を行う
だけで因果関係の抽出がなされると共に、事例に基づくシミュレーションモデルが生成されます。
データ解析とニューラル・ネットワーク
データ解析と言えば、これまでは統計解析や物理モデルのパラメータ・チューニングが中心でした。これらの手法はまず仮説ありきで、その仮説の立証が解析の主なる目標となります。しかし現実の問題では、仮説すら立てがたかったり、統計解析手法を手当たり次第使用したり、非常に限定された物理モデルを拡大解釈してしまう場合が多く見受けられます。
これに対し、ニューラル・ネットワークは均質な構造を持ちながら、パターンマッチングによって自動的に内部パラメーターをチューニングしていくことで、線形／非線形に関わらず事例パターンを学習します。したがって、非線形性が強くて統計的手法ではうまく解析できない場合や、何か有意性がありそうで詳しく解析してみたいが有効なモデルを決めかねる、と言った場合のデータ解析に最適です。適用先として、品質、工程管理、需要予測、標準化解析、異常診断、アンケート解析等が挙げられます。
スケルトン・ネットワーク学習
従来、ニューラル・ネットワークはブラックボックス的な扱いをされており、内部のネットワーク構造を解析の対象とした例はほとんどありません。
しかし、これでは学習によって入力に対する出力の挙動が予測できたとしても、その中にどのような関係が存在しているかが理解できません。ニューラル・ネットワークをエンジニアリング・ツールとして利用するには、予測の裏付けが是非とも必要です。
そこで開発されたのがスケルトン・ネットワーク学習法とその応用ツールSkilTran®です。
本学習法では、学習の際に強い結合はより強く、弱い結合はより弱くするよう余分な枝葉をカットしていくことで、示された事例を説明するに足るだけの簡素なネットワーク結合を生成します。これをスケルトン（骨格）・ネットワークと呼び、この骨格を見る事で、入出力ノード間も構造的な因果関係を調べることが出来るようになりました。
また、スケルトン・ネットワーク化する際に入出力ノード間の因果関係ばかりでなく、入力ノード間の従属関係をも抽出することを可能としており、エンジニアリング・ツールとしての応用分野は更に拡がります。
