| Project/Area Number |
17J08634
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Single-year Grants |
|---|
| Section | 国内 |
|---|
| Research Field |
Soft computing
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
坂本 浩隆 東京大学, 新領域創成科学研究科, 特別研究員(DC2)
|
|---|
| Project Period (FY) |
2017-04-26 – 2019-03-31
|
| Project Status |
Completed (Fiscal Year 2018)
|
| Budget Amount *help |
¥1,700,000 (Direct Cost: ¥1,700,000)
Fiscal Year 2018: ¥800,000 (Direct Cost: ¥800,000)
Fiscal Year 2017: ¥900,000 (Direct Cost: ¥900,000)
|
|---|
| Keywords | 潜在構造抽出 / ベイズ推定 / ハイパーパラメータ推定 / MRFモデル / スペクトル解析 / 画像処理 / マルコフ確率場モデル / 基底抽出 / モード分解 |
|---|
| Outline of Annual Research Achievements |
本研究の目的は基底抽出を用いて反応拡散系画像の潜在構造抽出を行う手法の開発である．本年度は拡散系画像およびパラメトリックな画像データの潜在構造抽出に関する理論の構築について研究を行っている．
30年度は昨年度に引き続き，MRFモデルを例として深い階層にあるパラメータの推定を効率的に計算する近似アルゴリズムを開発した．ハイパーパラメータ事後分布の空間で近似的なサンプリングを行うことで，計算量を大幅に削減できる．本年度では効果の検証を進め，論文を執筆した．現在英文査読付き雑誌に投稿中である．
MRFモデルや反応拡散系データの解析では，ハイパーパラメータの値は画像のグラフ構造に影響を受ける．このグラフ構造もデータから推定する事が可能であり，推定の性能評価は重要な課題である．本年度では，MRFモデルによる画像データのグラフ構造推定の推定精度評価を行った．本研究の成果はIBISML2018および物理学会で発表を行った．
さらに，本年度は中性子散乱などで得られる高次元スペクトルデータの解析を進めている．高次元運動量空間中に分布する中性子散乱などの散乱実験データは，ヒストグラムとして強度値を得ることで高次元画像データとみなす事ができる．この画像データは生成過程がモデル化されているため，潜在変数推定を行うことができる．本年度は，人工データに基づいてモデルのパラメータをベイズ推定し，潜在パラメータ推定においてより精度の高いモデル構築方法を検討した．本結果は英文査読付き雑誌への投稿に向け論文を執筆中である．
中性子散乱の場合は高次元スペクトルから得られるデータは本来カウントデータである．カウントデータはヒストグラム化され，この際ビン幅，すなわち空間解像度を最適化する必要がある．本研究ではビン幅の最適化手法を提案し人工データによる検証を行った．研究の成果は英文査読付き雑誌に掲載された．
|
| Research Progress Status |
平成30年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
平成30年度が最終年度であるため、記入しない。
|
