敵対的生成ネットワークを用いた温冷感データセットの拡張手法

データバランシングは、不均衡な温熱快適性データセットを適切に学習させるために不可欠な前処理である。様々な機械学習による温熱快適性推定手法が提案されている。しかし、実際の空調環境では暑い/寒いといった極端な環境はほとんど現れないため、温熱快適性のデータセットは不均衡になる。不均衡なデータセットは偏った推定を引き起こし、極端な環境下のユーザーのための推定性能が低下することがある。そのため、多くの研究では温熱快適性データセットの不均衡を解消するために、希少なサンプルに対するデータ拡張を適用している。しかしながら、データセットにおける不均衡は、生成モデルに対しても偏ったデータ生成を引き起こしてしまう。本研究では、重み付き損失関数によるConditional Wasserstein GANを用いた、温熱快適性データセットのデータバランシング手法を提案する。

• Hiroki Yoshikawa, Akira Uchiyama, Teruo Higashino, "Data Balancing for Thermal Comfort Datasets Using Conditional Wasserstein GAN with a Weighted Loss Function," Proc. of the 8th ACM International Conference on Systems for Energy-Efficient Buildings, Cities, and Transportation (BuildSys 2021) Workshops, Coimbra, Portugal, November 17-18, 2021. doi:https://doi.org/10.1145/3486611.3491132