異常データが少ない現場でAIを育てる「生成的データ拡張」とは？ - 金融情報システム開発なら20年以上の実績があるテンファイブ株式会社

1. はじめに：異常データが少ない現場でAIをどう育てるか

製造業やプラントで機械学習を使おうとすると、多くの現場で同じ壁にぶつかります。本当に予測したいのは「異常の兆し」なのに、過去のデータにはほとんど「正常運転」しか残っていないという壁です。運転員は事故や停止を避けるように運転しているため、異常に向かう途中のデータはめったに記録されません。その結果、モデルは平均的な値を返すだけになり、肝心のときに役に立たなくなります。

本記事では、2026年10月に arXiv で公開された論文「Multi-output LSTM soft sensors for industrial anaerobic co-digestion using LSTM-beta-VAE generative data augmentation」（Murali ほか, University of Surrey / The University of Manchester）を題材に、この問題への一つの答えである生成的データ拡張（Generative Data Augmentation：生成モデルで学習用データを人工的に増やす手法）を解説します。

論文の舞台は、家畜のえさにも使われるトウモロコシなどのサイレージを分解してバイオガスを作る、英国の実規模の嫌気性消化プラントです。ただし、ここで使われている考え方は特定の業界に限りません。「計測が高価で頻度が低い」「異常の事例が少ない」「時系列で前後関係が大事」という条件は、化学プラント、水処理、半導体製造、さらには金融システムの障害予兆検知にも共通しています。

この記事でわかることは次のとおりです。

ソフトセンサーとは何か、なぜ多出力（マルチアウトプット）で予測するのか
通常の機械学習モデルが、データの少ない現場で失敗する理由
LSTM と β-VAE を組み合わせて「時系列のまま」データを生成する仕組みと損失関数
合成データはどれくらいの量が必要で、どう品質を確かめるのか
予測の不確かさを示すコンフォーマル予測の使い方と、実務に持ち込むときの注意点

2. 前提知識：ソフトセンサーと嫌気性消化

2-1. ソフトセンサーとは

ソフトセンサー（Soft Sensor：仮想センサー）とは、直接測るのが難しい・高価な値を、測りやすい値から機械学習などで推定する仕組みです。物理的なセンサーの代わりに、モデルが「センサーの役」を務めます。

たとえば、温度や流量はプラントの監視制御システム（SCADA：Supervisory Control and Data Acquisition）で毎日、あるいは秒単位で自動記録されます。一方で、液の酸性度や微生物の状態を表す指標は、サンプルを採って実験室で分析しないとわかりません。ソフトセンサーがあれば、実験室の分析を待たずに毎日の推定値を得られます。

2-2. 嫌気性消化と「安定性の指標」

嫌気性消化（Anaerobic Digestion：AD）は、酸素のない環境で微生物が有機物を分解し、メタンを含むバイオガスを作る工程です。生き物が相手なので、えさ（原料）の量や質が急に変わると、微生物のバランスが崩れて発酵が止まることがあります。

論文では、次の 3 つを同時に予測の対象にしています。

予測対象	意味	計測のしかた（論文のプラント）
Total Biogas	1日あたりのバイオガス生成量（m³）。生産の指標	SCADA で毎日記録
pH	消化槽の液の酸性・アルカリ性。安定性の指標	実験室分析（週3回程度）
FOS/TAC	揮発性有機酸と緩衝能力（アルカリ度）の比。上がると酸がたまり、発酵停止の危険が増す	実験室分析（週3回程度）

論文の表1によると、pH と FOS/TAC は日次データで見ると約58%が欠測しています。つまり予測したい安定性の指標ほど、データが少ないという状態です。

2-3. なぜ物理モデルではなく機械学習なのか

嫌気性消化には ADM1（Anaerobic Digestion Model No.1）という代表的な物理モデルがあります。論文によると、ADM1 は 26 以上の状態変数と 100 以上のパラメータを持ち、原料を炭水化物・タンパク質・脂質に分けて入力する必要があります。毎日変わる原料をすべて分析するのは現実的ではないため、実際のプラントでリアルタイムに使うのは難しいとされています。

そこで、過去の運転データから直接振る舞いを学習するデータ駆動型のモデルが注目されています。ただし、ここで冒頭の「データが少ない」問題が立ちはだかります。

3. 論文が解こうとした2つの課題

3-1. 課題1：単一出力のモデルでは安定性を見られない

論文によると、これまでの嫌気性消化向けの LSTM 研究は、メタンやバイオガスの生成量だけを予測する単一出力のものがほとんどでした。生成量は経済的に大事ですが、それだけでは「発酵が崩れかけている」ことを事前に知ることはできません。

そこで論文は、生成量と安定性の指標（pH、FOS/TAC）を 1 つのネットワークで同時に予測する多出力 LSTM（MO-LSTM：Multi-Output LSTM）を提案しています。複数の出力に共通する特徴を学習させることで、1 つの出力のばらつきに過剰に合わせてしまうことを防ぐ狙いがあります。これはマルチタスク学習（Multi-task Learning）と呼ばれる考え方です。

3-2. 課題2：データが「長いが細い」

産業用のデータは、論文の言葉を借りると「長いが細い（long but narrow）」状態です。運転データは何年分もあるのに、本当に必要な異常への移行区間はごくわずかしか含まれていません。

この状態で普通にモデルを学習させると、正常運転の平均値を出すだけのモデルになってしまいます。次の章で、論文が示した「失敗の実例」を見ていきます。

4. ベースライン：標準的な手法はどこまで通用したか

論文はまず、実データだけで次のモデルを学習させ、時系列の最後の期間（テスト期間）で評価しました。評価指標の R²（決定係数）は 1 に近いほど良く、0 なら「平均値を返すだけ」と同じ、マイナスなら平均値より悪いことを意味します。

モデル	Biogas R²	pH R²	FOS/TAC R²
ナイーブ予測（学習期間の平均）	-0.02	-0.06	0
持続予測（直前の実測値をそのまま使う）	0.12	-0.99	-0.81
リッジ回帰	0.24	0.02	-0.09
ランダムフォレスト	0.46	0.26	0.07
XGBoost	0.51	0.22	-0.08
MO-LSTM（固定構成）	0.23	0.04	-0.28
MO-LSTM（Optuna で調整）	0.52	0.13	-0.10

出典：論文 Table 2 から抜粋

結果ははっきりしています。バイオガス量はある程度当てられても、pH と FOS/TAC はどのモデルでも R² が 0.26 以下でした。ハイパーパラメータを Optuna（ベイズ最適化のライブラリ）で調整した LSTM でも、学習データの誤差は下がり続ける一方で検証データの誤差はまったく下がらず、典型的な過学習の状態になりました。

4-1. ここから読み取れること

論文はこの結果から、「モデルの選び方や調整の問題ではなく、データそのものに異常への移行例が足りないことが原因だ」と結論づけています。モデルを大きくしたり調整を頑張ったりしても解決しない、というのが実務上の重要な教訓です。

5. なぜ既存のデータ拡張では足りないのか

5-1. ノイズ追加や SMOTE の限界

データが少ないときによく使われる方法に、次のようなものがあります。

ノイズの追加（論文では RSDS：Random Standard Deviation Sampling として紹介）：既存データに統計的なばらつきを足して件数を増やす
SMOTE（Synthetic Minority Over-sampling Technique）：少数派のデータ点どうしを直線で結び、その間に新しい点を作る

これらは表形式のデータでは有効なことがあります。ただし、論文が指摘するように、時系列の前後関係を無視して 1 点ずつ作るという弱点があります。たとえば、ある日の正常状態と、別の日の発酵停止状態の「間」を直線で補っても、それが化学的にありえる途中経過になるとは限りません。

5-2. GAN と静的な VAE の限界

生成モデルとしては GAN（Generative Adversarial Network：敵対的生成ネットワーク）も使われてきました。しかし GAN は学習が不安定で、似たようなサンプルばかり作る「モード崩壊」を起こしやすく、まれな異常例を作るのには向かないとされています。

また、先行研究の β-VAE は全結合層で作られており、各時刻のデータを独立したベクトルとして扱っていました。そのため、時間の流れに沿った変化（どのように悪化していくか）を表現できません。

5-3. 論文の解決策：時系列のまま生成する

論文の提案は、VAE のエンコーダーとデコーダーを LSTM にして、30日分の時系列（ウィンドウ）を丸ごと生成することです。1 点ずつではなく、変化の流れごと作るので、前後関係を保ったデータが得られます。これが LSTM-β-VAE です。

6. LSTM-β-VAE の仕組み

6-1. 全体の構成

論文の LSTM-β-VAE は、次の 3 つの部分から成ります。

部分	役割	論文での設定
エンコーダー	30日×F変数の時系列を、潜在変数の分布（平均 μ と分散 σ²）に圧縮する	2層の LSTM（256・128ユニット）、ドロップアウト 0.3
潜在空間	時系列の特徴を表す低次元のベクトル z	次元数は調整の結果 25
デコーダー	z から 30日分の時系列を復元する	z を30回繰り返して入力し、2層の LSTM（128・256ユニット）で復元

6-2. 再パラメータ化トリック

VAE では、潜在変数 z を確率的にサンプリングします。ただ、そのままではサンプリングの部分で勾配（学習のための微分）が流れません。そこで次のように書き換えます。

z = μ + σ ⊙ ϵ, ϵ ~ 𝒩 (0, I)

ここで μ と σ はエンコーダーが出力する平均と標準偏差、ε は標準正規分布から取った乱数、⊙ は要素ごとの掛け算です。ランダムな部分を ε に追い出すことで、μ と σ には普通に勾配が流れるようになります。これを再パラメータ化トリック（Reparameterization Trick）と呼びます。

6-3. β-VAE の損失関数

学習で最小化する損失は、次の式です（論文 Eq.1）。

ℒ_{T o t a l} = ℒ_{R e c o n} + β \cdot D_{K L} (q_{ϕ} (z ∣ X) ‖ p (z))

第 1 項の L_Recon は「元の時系列をどれだけ正しく復元できたか」を表す再構成誤差です。第 2 項の D_KL は KL ダイバージェンスで、エンコーダーが作る分布 q_φ(z|X) が標準正規分布 p(z) からどれだけ離れているかを表します。β はこの 2 つのバランスを決める係数です。

KL ダイバージェンスは、潜在変数の次元ごとに次の式で計算します。

D_{K L} = - \frac{1}{2} \sum_{k} (1 + \log σ_{k}^{2} - μ_{k}^{2} - σ_{k}^{2})

β を大きくすると潜在空間が整理されて生成しやすくなる一方、復元の精度は下がります。論文では Optuna による調整の結果、β = 0.20 と小さめの値が選ばれました。生成するデータの忠実さを優先した設定といえます。

6-4. 再構成誤差の工夫：重要な変数と「変化量」を重視する

この論文の工夫がよく表れているのが、再構成誤差の定義です（論文 Eq.2）。

ℒ_{R e c o n} = M S E (X, \hat{X}) + ω \cdot M S E (X_{C}, {\hat{X}}_{C}) + γ [M S E (Δ X, Δ \hat{X}) + ω \cdot M S E (Δ X_{C}, Δ {\hat{X}}_{C})]

X は元の時系列、X̂ は復元した時系列、MSE は平均二乗誤差です。C は予測対象の 3 変数（Biogas、pH、FOS/TAC）の集合で、X_C はその 3 変数だけを取り出したものです。ΔX は前日との差（ΔXₜ = Xₜ − Xₜ₋₁）を表します。

この式には 2 つの狙いがあります。

ω（論文では 3 に固定）：予測対象の 3 変数の誤差を重く数える。全変数をまとめた項と、3 変数だけの項の両方に含まれるので、ほかの変数より強く重視される
γ（調整の結果 0.72）：前日との差の誤差を加える。VAE は出力がなめらかになりすぎる傾向があるため、「日々の変動の大きさ」まで再現させる

値そのものだけでなく変化量も合わせることで、急な悪化のような動きを生成データに残せるようにしています。

6-5. 再構成誤差を Python で書いてみる

式の意味をつかむために、NumPy で再構成誤差を計算する例を示します。実際の学習では TensorFlow などで同じ計算を書きます。

import numpy as np

def recon_loss(x, x_hat, critical_idx, omega=3.0, gamma=0.72):
    """x, x_hat: (バッチ, 時刻T, 変数F) の配列。critical_idx: 重視する変数の列番号"""
    mse = lambda a, b: np.mean((a - b) ** 2)
    dx, dx_hat = np.diff(x, axis=1), np.diff(x_hat, axis=1)  # 前日との差
    xc, xc_hat = x[..., critical_idx], x_hat[..., critical_idx]
    dxc, dxc_hat = dx[..., critical_idx], dx_hat[..., critical_idx]
    return (mse(x, x_hat) + omega * mse(xc, xc_hat)
            + gamma * (mse(dx, dx_hat) + omega * mse(dxc, dxc_hat)))

rng = np.random.default_rng(0)
x = rng.normal(size=(32, 30, 17))                    # 30日 × 17変数のウィンドウを32本
smooth = np.repeat(x.mean(axis=1, keepdims=True), 30, axis=1)  # 平均だけを返す「なめらかすぎる」復元
noisy = x + rng.normal(scale=0.3, size=x.shape)      # 変動を残した復元
print(round(recon_loss(x, smooth, [0, 1, 2]), 3))   # 9.156
print(round(recon_loss(x, noisy, [0, 1, 2]), 3))    # 0.87

平均値だけを返すような「なめらかすぎる」復元は、変化量の項で大きく罰せられることがわかります。

7. 合成データの作り方と品質の確かめ方

7-1. まれな変化を意図的に多く学習させる

論文では、VAE を学習させる前に、30日のウィンドウごとに次の 2 つの点数を付けています。

急変度：ウィンドウ内での、1日あたりの最大の変化量（突然の異常を表す）
極端度：ウィンドウの中央値から最も離れた値の大きさ（ふだんと違う状態への持続的なずれを表す）

2 つを足した点数が上位 25% のウィンドウは、学習データにさらに 2 回追加しました。こうすると VAE の潜在空間の中で、まれな変化に割り当てられる領域が広くなり、標準正規分布から z を取るだけで、変化の多い合成データが自然に多く出てくるようになります。

7-2. 生成の手順

学習済みの VAE から、次の 3 段階で 5,000 本の合成時系列を作りました。

標準正規分布から 25 次元の潜在ベクトルを 5,000 個サンプリングする
デコーダーに通して、30日分の時系列を 5,000 本出力する
学習時と同じスケーラーの逆変換で、元の単位（m³ など）に戻す

なお、スケーリングは学習期間のデータだけで作っています。重要な 3 変数には外れ値に強いロバストスケーラー（中央値と四分位範囲を使う方法）を使い、ほかの変数には標準化を使っています。

7-3. 合成データの品質チェック

生成したデータが「それらしい」かどうかを、論文は複数の角度から確かめています。

観点	方法	結果（論文の報告）
分布の形	カーネル密度推定と箱ひげ図で比較	平均の差は 1% 未満（例：pH の平均は実データ・合成ともに 7.63）
日々の変動	前日との差の標準偏差を比較	合成/実データの比が Biogas 0.93、pH 0.78、FOS/TAC 0.77
変動の分布	2標本コルモゴロフ–スミルノフ検定	統計量 pH 0.069、FOS/TAC 0.107、Biogas 0.056
時間方向の依存	自己相関関数（5日先まで）	減衰のしかたを再現
変数間の関係	ピアソン相関行列の差	3 変数間の相関の差は最大 0.04
潜在空間の利用	KL 項の推移	0 に落ちず、事後崩壊（潜在変数が無視される現象）は起きていない

ただし、pH と FOS/TAC の変動の比は 0.77〜0.78 で、合成データのほうが変動がやや小さいことにも注意が必要です。また論文自身も、3 変数間の相関はもともと弱く（|r| ≤ 0.17）、強い物理的な関係を再現できたことの証明にはならない、と述べています。

8. 多出力LSTMの学習と結果

8-1. 予測モデルの設計

予測側の MO-LSTM は、過去 30 日分の運転データ（原料の量、温度、滞留時間、撹拌機の電力など）を入力し、その日の Biogas・pH・FOS/TAC の 3 つを出力します。

ここで重要なのは、入力に予測対象の過去の値を入れていないことです。過去の pH を入れると、モデルは「昨日と同じ値」を返すだけで高い精度に見えてしまいます。論文はこれを避け、運転条件だけから微生物の状態を推定するようにしています。

学習データは VAE が作った合成データ 5,000 本だけを使い、検証とテストには学習期間より後の実データを時系列順に 50/50 で分けて使いました。評価は、補間した値ではなく、実験室で実際に測った日だけで行っています。

8-2. 結果：R² が 0.1 前後から 0.86〜0.89 へ

学習データ	Biogas R²	pH R²	FOS/TAC R²
実データのみ（Optuna で調整）	0.48	0.08	-0.13
合成データ（実データ用の構成のまま）	0.84	0.71	0.74
合成データ（Optuna で再調整）	0.87	0.86	0.89
合成データ（原料の分析値を除外）	0.91	0.84	0.85

出典：論文 Table 3 のテスト期間の値（5回の乱数シードの平均）を小数第2位で表示

同じネットワーク構成のままでも、学習データを合成データに替えるだけで大きく改善しています。つまり改善の主な理由は、モデルの構成ではなくデータの多様性にあると読めます。5 つのモデルを平均したアンサンブルでは、テスト R² が 0.88、0.87、0.89 になりました。

8-3. 原料の分析値なしでも精度が保たれた

原料ごとの実験室分析（全固形物、揮発性固形物、アンモニア性窒素など）を入力から外しても、精度はほぼ変わらず、Biogas ではむしろ上がりました。分析の手間とコストを減らせるので、実務では大きな意味があります。

ただし論文は、このプラントの原料がトウモロコシとライ麦のサイレージ中心で比較的均一だったためだろうと説明し、原料の変動が大きいプラントでは分析値が必要になる可能性があると注意しています。

9. 合成データは何本あればよいか

論文は、合成データの本数を変えて精度を比べています（ハイパーパラメータは固定）。

合成データの本数	3 変数の平均 R²
366（実データ1年分のウィンドウ数と同じ）	0.10
500	0.16
1,000	0.69
2,500	0.84
5,000	0.87

出典：論文 Table 4

500 本から 1,000 本の間で精度が大きく上がり、2,500 本を超えると伸びが小さくなっています。実データと同じ 366 本では、実データだけのモデルと変わりませんでした。論文はここから、効果は「合成データがきれいだから」ではなく、「たくさんの多様な変化のパターンを見せられるから」だと述べています。

計算コストについては、Optuna による調整時間が 0.09 時間（366本）から 1.16 時間（5,000本）に、最終学習が約 10 秒から約 350 秒に増えました。一方、推論は 1 本あたり 1 ミリ秒未満で、データ量には左右されません。論文はこのプラントでは 2,500〜5,000 本が実用的な範囲だとしています。

10. コンフォーマル予測で「自信のなさ」を示す

10-1. なぜ不確かさが必要か

早期警報に使うソフトセンサーでは、予測値だけでなく「どれくらい信用できるか」も大事です。論文では、局所適応型のコンフォーマル予測（Locally Adaptive Conformal Prediction）を使って、90% の予測区間を付けています。

10-2. 手順

論文の手順は次のとおりです。

日ごとに、直近 14 日間の予測誤差の大きさ（局所的な難しさ）を計算する
検証期間の誤差を、その日の局所的な難しさで割って正規化する
正規化した誤差の 90 パーセンタイルを補正係数にする
テスト期間では「補正係数 × その日の局所的な難しさ」の幅で区間を作る

この方法では、運転が安定しているときは区間が狭く、急な変化が起きているときは区間が広がります。結果として、実測値が区間に入った割合は全変数・全期間で 90.9〜98.4% になり、目標の 90% を満たしました。区間から外れた日は、バイオガス量が急に落ちたときや pH が急に下がったときに集中していました。

運用の立場で見ると、「区間が急に広がった」こと自体が、何かいつもと違うことが起きている合図になります。

11. 論文に対する評価と限界

11-1. 論文が認めている限界

論文は結論の中で、次の限界を挙げています。

1 つのプラントのデータだけで検証しており、異常の事例の数も少ない
週 3 回程度しか測っていない pH と FOS/TAC を線形補間して VAE を学習させているため、測っていない日の短い変動を見逃しているかもしれない
ほかのプラントでの外部検証がない。構成の違う消化槽に通用するかは確かめられていない
30 日の入力期間は固定で、季節によって変わる原料の分解の遅れを十分にとらえられていない可能性がある
純粋なデータ駆動の生成モデルは物理法則（物質収支など）を守る保証がない

11-2. 解説者の補足

ここからは解説者の補足です。論文の主張と区別して読んでください。

テスト期間が 1 つだけ：テストは時系列の最後の期間 1 回で行われています。季節や原料の切り替えをまたいだ複数の期間で評価すると、結果がどれだけ安定しているかがよりはっきりするはずです。
VAE の検証データがない：論文自身が書いているとおり、VAE の学習では検証用のデータを分けていません。品質は統計的な比較で確かめていますが、「学習データを覚えて少し変えただけ」の合成データでないことを直接示す指標（たとえば実データとの最近傍距離）があると、より説得力が増します。
予測モデルの調整にテストデータが関わっている可能性：論文の 2.6 節には「検証データとテストデータで MSE を最小化する」という記述があります。文字どおりならテストデータが調整に使われたことになり、テスト R² は楽観的な値かもしれません。原文の意図を確認したい点です。
データが公開されていない：商用データのため公開できないとされており、第三者が同じ結果を再現することは今のところできません。

これらは論文の価値を否定するものではありません。「実プラントのデータで、時系列の生成的データ拡張が安定性指標の予測を大きく改善した」という報告自体は、同じ課題を抱える現場にとって有益な事例です。

12. 実務への応用：自分の現場で使うときのチェックリスト

この論文の考え方を、ほかの分野に持ち込むときに確認したい点をまとめます。

12-1. 使えそうな場面

化学・食品・水処理などのプロセスで、品質の分析値が日に数回しか取れない
設備の異常や故障の記録が少なく、予兆検知のモデルが平均的な値しか返さない
システムの障害やトランザクションの異常など、「まれだが重要」なイベントを時系列で予測したい

12-2. 導入時の注意点

時間でデータを分ける：学習・検証・テストは必ず時系列順に分け、生成モデルも学習期間のデータだけで作る。未来の情報が混ざると、精度が高く見えるだけになります。
評価は実測値だけで行う：補間した値で評価すると、なめらかな線を当てるだけで精度が高く見えてしまいます。
予測対象の過去の値を入力に入れるかを慎重に決める：入れると「昨日と同じ」を返すだけのモデルになりやすくなります。
合成データの品質を複数の観点で確かめる：分布、日々の変動、自己相関、変数間の相関を実データと比べます。物理的にありえない値（負の流量など）が出ていないかもチェックします。
合成データの本数を変えて試す：精度が頭打ちになる本数を探すと、無駄な計算を減らせます。
定期的に作り直す：新しい種類の異常が起きたら、生成モデルを学習し直さないと、合成データが現実からずれていきます。論文もこの点を運用上の注意として挙げています。

また、生成した合成データは実データから作られたものなので、元データが機密情報であれば合成データの扱いにも同じ注意が必要です。合成データだからといって、自由に外部へ持ち出してよいとは限りません。

13. まとめ：生成的データ拡張は「データの空白」を埋める道具

本記事では、LSTM-β-VAE による生成的データ拡張と多出力 LSTM ソフトセンサーを組み合わせた論文を解説しました。要点は次のとおりです。

産業データは正常運転に偏っており、標準的な機械学習も LSTM も、安定性の指標を予測できなかった（R² ≤ 0.26）
LSTM-β-VAE は 30 日分の時系列を丸ごと生成し、重要な変数と日々の変化量を重視する損失関数で、変動の再現性を高めた
合成データ 5,000 本で学習した多出力 LSTM は、Biogas・pH・FOS/TAC をテスト R² 0.87〜0.89 で同時に推定した
効果は合成データの本数と多様性に依存し、500〜1,000 本の間で大きく伸びた
局所適応型のコンフォーマル予測により、急な変化のときに区間が広がる「自信のなさ」の表示ができた
1 プラントだけの検証、補間への依存、物理法則の保証がないことなど、限界も明確にある

データが足りないときに「モデルを大きくする」のではなく「足りない部分のデータを作る」という発想は、生成 AI の実務的な使い方の一つとして、今後さまざまな分野に広がっていくと考えられます。

参考文献・関連研究

Murali, R., Dekhici, B., Chen, T., Zhang, D., & Short, M. (2026). Multi-output LSTM soft sensors for industrial anaerobic co-digestion using LSTM-beta-VAE generative data augmentation. arXiv:2610.39768.
Kingma, D. P., & Welling, M. (2013). Auto-Encoding Variational Bayes. International Conference on Learning Representations.（論文の参考文献 [31]）
Batstone, D. J., et al. (2002). Anaerobic Digestion Model No.1 (ADM1). IWA Publishing.（論文の参考文献 [5]）
Akiba, T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019). Optuna: A Next-generation Hyperparameter Optimization Framework. Proceedings of the ACM SIGKDD.（論文の参考文献 [32]）
Guan, L. (2023). Localized conformal prediction: a generalized inference framework for conformal prediction. Biometrika, 110, 33–50.（論文の参考文献 [36]）
Shaw, K. M., Poh, P. E., Ho, Y. K., Chen, Z. Y., & Chew, I. M. L. (2024). Modeling the anaerobic digestion of palm oil mill effluent via physics-informed deep learning. Chemical Engineering Journal, 485.（論文の参考文献 [29]）

本記事は2026年11月時点で公開されている文献・情報に基づく解説です。論文の主張と、筆者による整理・考察を区別して記載しています。数式の記号は、読みやすさのために論文から一部簡略化しています。