| Project/Area Number |
19H04071
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 60030:Statistical science-related
|
|---|
| Research Institution | Tokyo Institute of Technology |
|---|
Principal Investigator |
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
熊谷 亘 東京大学, 大学院工学系研究科(工学部), 特任助教 (20747167)
竹之内 高志 政策研究大学院大学, 政策研究科, 教授 (50403340)
松井 孝太 名古屋大学, 医学系研究科, 講師 (50737111)
川島 孝行 東京工業大学, 情報理工学院, 助教 (60846210)
武田 朗子 東京大学, 大学院情報理工学系研究科, 教授 (80361799)
|
|---|
| Project Period (FY) |
2019-04-01 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥17,290,000 (Direct Cost: ¥13,300,000、Indirect Cost: ¥3,990,000)
Fiscal Year 2023: ¥3,380,000 (Direct Cost: ¥2,600,000、Indirect Cost: ¥780,000)
Fiscal Year 2022: ¥2,470,000 (Direct Cost: ¥1,900,000、Indirect Cost: ¥570,000)
Fiscal Year 2021: ¥2,470,000 (Direct Cost: ¥1,900,000、Indirect Cost: ¥570,000)
Fiscal Year 2020: ¥2,470,000 (Direct Cost: ¥1,900,000、Indirect Cost: ¥570,000)
Fiscal Year 2019: ¥6,500,000 (Direct Cost: ¥5,000,000、Indirect Cost: ¥1,500,000)
|
|---|
| Keywords | AI / データサイエンス / 機械学習 / 数理統計学 / 数理統計 / 機械学修 / 最適化 / 最適輸送 / 多ドメインデータ / 転移学習 / 情報転送 |
|---|
| Outline of Research at the Start |
本研究では，さまざまな形式で表現された高次元・大規模な多ドメインデータを用いて統計的学習を行うためのフレームワークを構築することを目的とします．今日のようなビッグデータ時代では，さまざまなデータドメインにおいて，サイズ，次元，表現形式の異なる複雑なデータを収集することが出来ます．これは一見すると data-rich な状態と言えます．しかし，それぞれのドメイン間の相互関係が不明なことが多く，その意味ではデータ量が増えるほどknowledge-poor な状態になってしまいかねません．このようなビッグデータ時代のパラドックスを打破するための研究を推進します．
|
| Outline of Final Research Achievements |
This study aims to construct a framework for statistical learning using high-dimensional and large-scale multi-domain data. In the era of big data, diverse and complex data with different sizes, dimensions, and representation formats can be collected across various domains. However, there exists a paradox wherein the relationships between domains are often unclear, leading to a knowledge deficit as data volume increases. To overcome this, it is crucial to extract and integrate features of data while considering the inter-domain relationships. This research focuses on formalizing this task with a focus on inter-domain relationships. It seeks to develop modeling techniques and machine learning algorithms for multi-domain data with heterogeneous structures, aiming to advance the theoretical understanding in this field.
|
| Academic Significance and Societal Importance of the Research Achievements |
本研究では，異なるデータサイズ，次元，タイプなどの多様なデータを活用し，予測，推論，構造推定など複数のタスクを行う学習アルゴリズムを，数学的な知見に基づいて提案，開発する．理論的解析により予測精度向上のためのパラメーター調整などが容易になり，飛躍的な性能向上が期待できる．理論的知見に基づくアルゴリズムの実装により，画像，音声，タグその他の情報を含むヘテロなデータからの関連性分析などの精度が大きく向上し，機械学習システムの安全性や信頼性を高める基盤を提供する。
|
