3）と4）7（“”――マツダ技報No.41（2025） （な依存関係を推定・可視化するグラフ構造化分析技術（視化する連鎖的ランダムフォレスト因子構造分析技術（すく可視化するスパースモデリング技術2. グラフ構造化分析技術5,64（）Input data such as design, time series, images, etc. Preprocessing Machine learning Prediction / Optimization Automation / Acceleration Promote value creationor efficiency Explainability (White box) Output visualization of features or relationships Mechanism clarification Do the pre-processing for categorizing the original data Do the main processing for learning BDeu score-based Bayesian networks (by using a tabu search algorithm) No End Start The input time-series dataConverge? Yes The output of a Bayesian network solution with the highest BDeu score Need subgraph? Yes Do the post-processing for extracting a specific subgraph The output of a maximal subgraph of the original Bayesian network No 本技術は，離散値をもつ複数の変数（ノード）間に潜む支配的な依存関係（向きをもつエッジ）を確率的な親子関技術が係のネットワーク構造（グラフ構造）として学習する「ベAIイジアンネットワーク」の一般的な方法論を拡張する。より詳細には，時系列データをはじめとした連続値をもつ変数の場合においても応用できるよう拡張することを含み，幾つかの独自の処理を定式化して織り込んだ技術である。具体的には，処理，メイン処理，ポスト処理の成される。プリ処理では元のデータを多水準系の離散値にカテゴリ化する処理を，メイン処理ではネットワーク構造全体をBDeu （呼ばれる確からしさを表すスコアの最大化に基づき推定する処理を，ポスト処理では着目したい変数（子ノード）に向かって辿り着く因子（親ノード）の階層構造を過不足なく自動抽出する処理を，それぞれ実現する。これらのプロセスを通し，特に時系列データを対象とした時，従来のベイジアンネットワークのみでは支援できない，時間に関する知識発見を支援し，時間の概念が明示的に与えられていなくてもそれらを部分的に内包するような依存関係を推定・可視化する独特の効果を発揮する技術となっている。Fig. 2The Flowchart of Kind of Unsupervised Machine Learning25のフローチャートに示すとおり，プリFig. 2Bayesian Dirichlet equivalence uniformGraph Structured Analysisつのプロセスから構, A いては，特定の限られた仕様において出現する動的・力学的な特性を詳細に分析し，直接観測できない潜在的な事象に関わる知識を獲得することに対応可能な求められる。より具体的には，例えば自動車の空力・衝突・などの車両性能に関連付いている多点の時刻歴NVHや周波数の波形をはじめとした連続値からなるデータを基に，因子同士の関係性（カラクリ）や未知の因子を押さえる手掛かりを導くことが必要となる。それらを促すためには，予測モデル化する機能だけでは十分でなく，因子同士の関係性を構造的に可視化できること，また，構造化された関係性に従って強弱を可視化できることが求められる。更に，未知の因子の存在可能性を考慮し，現象に対する深い洞察や改善策を得るために，情報量が豊富な画像を直接対象として特徴的な部位を可視化できることも求められる。これらを代表的な機能としてカバーできる技術・プロセスの手の内化はメカニズム解AI明を加速する上で極めて重要である。 そこで，マツダでは創発すべき単に予測することに留まらず，示すとおり，予測の根拠がセットで得られる説明可能性（ホワイトボックス性）の確保に軸足を置くコンセプトを掲げた。これに従い，データに潜む特徴や関係性の抽出AIに寄与する幾つかの独自のは，向きをもつネットワーク構造として因子間の支配的），因子の連鎖的な構造に対応した関係性の強弱を定量的に可），画像に基づき設計指針導出のための重要な部位を理解しや稿では，上記の技術の概要を適用事例と合せて報告する。Fig. 1Our AI Technology Concept to Support Mechanism Clarification2.1 技術の概要 本節では，構築した一つ「グラフ構造化分析」（について概要を述べる。詳細な数式を含めた記述は文献4）を参照されたい。技術の基盤として，AIの特に緑の枠内にFig. 1技術を構築した。具体的にを構築した。本AI技術（教師なし機械学習技術）のGraph Structured Analysis）
元のページ ../index.html#34