(セッション表へ)

マルチメディア,分散,協調とモバイル(DICOMO2012)シンポジウム

セッション 8A  統一テーマセッション-大規模データ-
日時: 2012年7月6日(金) 10:45 - 12:55
部屋: 雷鳥の3
座長: 井上 創造 (九州工業大学)

8A-1 (時間: 10:45 - 11:15)
題名(招待講演) 会話におけるマルチモーダルデータに基づいた多人数インタラクションの構造理解
著者*角 康之 (はこだて未来大学)
Pagepp. 2030 - 2041
Keyword多人数会話, 会話構造分析, マルチモーダルデータ, インタラクション・コーパス, インタラクションマイニング

8A-2 (時間: 11:15 - 11:40)
題名柔軟な行動の扱いが可能な業務分析・アノテーションツール統合ツールの開発
著者*吉作 清彦 (豊橋技術科学大学大学院), 大村 廉 (豊橋技術科学大学)
Pagepp. 2042 - 2049
Keywordユビキタス情報処理, センサネットワーク, アノテーションツール, 行動認識, 行動分析
Abstract近年,ウェアラブルセンサを利用した行動認識技術により,ユーザの1 日の行動を自動的に認識し,業務の効率化を目的とした業務分析に貢献させる取り組みが行われている.しかし,行動認識技術を用いた業務分析は,分類器の学習に必要となる大量のラベル付きデータが必要となることや分析の目的に応じた行動セットを定義することができず,人の行動を分析するのが困難な場合がある.そこで,本研究では分析ツールとアノテーションツールを統合し,階層化された行動のためのアノテーションツールを提案する.本ツールは行動を階層化し,各階層の行動を組み合わせることで,分析の目的に応じた行動セットの生成を可能にする.さらに,本研究では能動学習と階層化を組み合わせることで,一度のラベリングで同時に複数の分類器の改善を可能にする.従来では,分析の目的に応じた行動の柔軟な扱いが困難であったが,本研究では行動を階層化して扱うことで,柔軟な行動の扱いが可能になる.

8A-3 (時間: 11:40 - 12:05)
題名Webライフログを活用したウィッシュリスト作成支援機構
著者*中村 明順 (立命館大学大学院テクノロジー・マネジメント研究科), 古川 大資 (立命館大学大学院理工学研究科), 西尾 信彦 (立命館大学情報理工学部)
Pagepp. 2050 - 2055
Keyword個人化, 閲覧履歴, 嗜好抽出, プロファイル
Abstractライフログの注目とWeb利用時間の増加を受け,我々はWeb上の行動履歴を蓄積,解析し,ユーザの活動を支援することを目的としている.活動支援に関するひとつの研究分野に情報推薦があり,推薦システムの多くはいかにユーザの嗜好に合わせるかが重要であった.しかし,いくらユーザの嗜好に合っていようとそのときに望んでいないものであれば,結局のところそれはノイズであるという考えから,ユーザがそのときどきに本当に望んでいるものの把握が重要である.そこで,時間経過に伴うユーザの興味・関心の度合いの変化と,ある活動に関連するWeb行動履歴が時間的に密集しているという特性から,Web上の行動時刻に応じて度合いの重みを変化させる機能と,関連していると考えられるまとまりを抽出する機能を取り入れた手法を提案する.各機能の有無による比較評価実験の結果,本稿においては各機能の有用性を確認できなかった.

8A-4 (時間: 12:05 - 12:30)
題名行動の順序制約を用いた加速度データのラベリング手法
著者*村尾 和哉, 鳥居 康幸 (神戸大学), 寺田 努 (神戸大学/JSTさきがけ), 塚本 昌彦 (神戸大学)
Pagepp. 2056 - 2063
Keyword加速度センサ, 行動認識, ラベリング, 行動順序
Abstract携帯端末に内蔵されたセンサや小型の装着可能なセンサを用いて人の動きを認識す る技術を行動認識技術と呼びユーザに特化したシステムやサービスを提供する基盤技 術となっている.行動認識システムを構築するには,センシングデータと行動情報の ペアを用いて事前に行動モデルを作成しておく必要がある.センシングデータに行動 情報を付与するには,データ採取中の行動をビデオカメラなどで撮影したり,紙とペ ンで時刻と行動をメモに記録する必要があるが,いずれの方法も負担が大きい.本研 究では,行動が行われた順序の情報を用いてラベリング作業を自動化する手法を提案 する.行動順序情報はユーザがデータ収集中に行った行動について,収集の合間や収 集後に記憶している程度のものを想定しており,行動の順序のみであり,時刻は含ま ず,すべての行動が記録されているとは限らない.評価結果より,9 種類の行動から成 る30 回の行動変化を含むデータに対して,15 回分の行動順序情報を与えると95.6%, 7 回分の行動情報を与えると85.0%の精度でラベリング出来たことを確認した.