| Project/Area Number |
20H00576
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (A)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Medium-sized Section 60:Information science, computer engineering, and related fields
|
|---|
| Research Institution | University of Tsukuba |
|---|
Principal Investigator |
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
矢田 和善 筑波大学, 数理物質系, 教授 (90585803)
星野 伸明 金沢大学, 経済学経営学系, 教授 (00313627)
塩濱 敬之 南山大学, 理工学部, 教授 (40361844)
鈴木 大慈 東京大学, 大学院情報理工学系研究科, 教授 (60551372)
石井 晶 東京理科大学, 創域理工学部情報計算科学科, 講師 (20801161)
江頭 健斗 東京理科大学, 創域理工学部情報計算科学科, 助教 (20979869)
荒木 由布子 東北大学, 情報科学研究科, 教授 (80403913)
川野 秀一 九州大学, 数理学研究院, 教授 (50611448)
蛭川 潤一 新潟大学, 自然科学系, 准教授 (10386617)
松田 安昌 東北大学, 経済学研究科, 教授 (10301590)
田畑 耕治 東京理科大学, 理工学部情報科学科, 教授 (30453814)
片山 翔太 慶應義塾大学, 経済学部(三田), 准教授 (50742459)
中山 優吾 京都大学, 情報学研究科, 助教 (40884169)
植木 優夫 長崎大学, 情報データ科学部, 教授 (10515860)
小森 理 成蹊大学, 理工学部, 准教授 (60586379)
金森 敬文 東京科学大学, 情報理工学院, 教授 (60334546)
松井 秀俊 滋賀大学, データサイエンス学部, 准教授 (90633305)
|
|---|
| Project Period (FY) |
2020-04-01 – 2025-03-31
|
| Project Status |
Completed (Fiscal Year 2024)
|
| Budget Amount *help |
¥44,460,000 (Direct Cost: ¥34,200,000、Indirect Cost: ¥10,260,000)
Fiscal Year 2024: ¥9,490,000 (Direct Cost: ¥7,300,000、Indirect Cost: ¥2,190,000)
Fiscal Year 2023: ¥9,360,000 (Direct Cost: ¥7,200,000、Indirect Cost: ¥2,160,000)
Fiscal Year 2022: ¥7,410,000 (Direct Cost: ¥5,700,000、Indirect Cost: ¥1,710,000)
Fiscal Year 2021: ¥8,190,000 (Direct Cost: ¥6,300,000、Indirect Cost: ¥1,890,000)
Fiscal Year 2020: ¥10,010,000 (Direct Cost: ¥7,700,000、Indirect Cost: ¥2,310,000)
|
|---|
| Keywords | 高次元データ / 時空間データ / 高次元統計解析 / 深層学習 / 高次元小標本 |
|---|
| Outline of Research at the Start |
本研究は、益々巨大化かつ複雑化する多様な大規模複雑データに、統一的な理論を開拓し、高速で頑健かつ高精度な方法論を開発することで、最先端データ科学に革新的な展開を図る。高次元統計解析を基軸とし、機械学習、深層学習、時空間統計、生物統計、公的統計を世界的レベルでリードしてきた研究者達が本研究課題のもと一堂に会し、連携・融合・発展することで、科学技術・社会・経済・産業の要請に多大な貢献をもたらすことを目指す。
|
| Outline of Final Research Achievements |
This research has brought about a groundbreaking advancement in cutting-edge data science by developing a unified theory and high-speed, robust, and high-precision methodologies to address the increasingly massive and complex nature of diverse large-scale data. The following five major achievements were obtained: (1) Refinement and systematization of asymptotic theory for high-dimensional, small-sample settings; (2) Construction of non-sparse modeling robust to contaminated data; (3) Development of high-speed, robust, and high-precision large-scale multi-domain learning. (4) Theoretical development of deep learning through high-dimensional statistical analysis. (5) Extension of non-sparse modeling to large-scale spatio-temporal data.
|
| Academic Significance and Societal Importance of the Research Achievements |
本研究は、益々巨大化かつ複雑化する多様な大規模複雑データに、統一的な理論を開拓し、高速で頑健かつ高精度な方法論を開発することで、最先端データ科学に革新的な展開を図ったものである。高次元統計解析を基軸とし、機械学習、深層学習、時空間統計、生物統計、公的統計を世界的レベルでリードしてきた研究者達が本研究課題のもと一堂に会し、連携・融合・発展することで、科学技術・社会・経済・産業の要請に多大な貢献がもたらされている。
|
