2017 Fiscal Year Annual Research Report
Multivariate statistical modeling for information integration via sparse learning
| Project/Area Number |
15K15947
|
|---|
| Research Institution | The University of Electro-Communications |
|---|
Principal Investigator |
川野 秀一 電気通信大学, 大学院情報理工学研究科, 准教授 (50611448)
|
|---|
| Project Period (FY) |
2015-04-01 – 2018-03-31
|
| Keywords | 機械学習 / スパース学習 / 主成分回帰 / 一般化線形モデル / 順序カテゴリカルデータ / オンライン学習 / ベイズモデリング / 情報量規準 |
|---|
| Outline of Annual Research Achievements |
本研究は，様々なデータ形式から有効な情報を抽出するための多変量統計手法およびそのスパースモデリングを開発することを目的としている．平成27年度および平成28年度においては，指数型分布族に属するデータを扱うことが可能なスパース主成分回帰モデリング，順序付きデータに対するスパース順序ロジットモデリング，逐次的にデータが得られることを想定したオンラインスパースモデリング，スパースモデルに含まれる調整パラメータの選択方法をそれぞれ提案し，得られた成果を国内学会・国際会議で発表するとともに，学術論文として発表してきた．以下は平成29年度に得た研究成果である．
1. 昨年度より取り組んでいるスパース主成分回帰モデリングにおいて，モンテカルロ・シミュレーションおよび実データへの適用を通して，提案手法の更なる検証を行った．具体的には，提案手法と様々な種類のスパース主成分分析手法や一般化線形モデルに対する部分最小二乗回帰モデルを数値的に比較することにより，提案手法の有効性を多角的に検証した．提案手法を計算するソフトウェアを，統計解析ソフトウェアR のパッケージspcrとして作成し，一般に公開した．
2. スパース推定を可能とするNEG分布 (normal exponential gamma distribution) を事前分布に持つベイズモデリングについて研究を行った．具体的には，fused lassoに対するNEG事前分布を提案し，その事前分布に基づくベイズモデルを提案した．本モデリングの有効性をシミュレーションや実データ解析を通して評価した．本研究成果は，現在原著論文としてまとめて投稿中である．
3. スパース推定で用いられる計算アルゴリズムをまとめ，数値実験を通してそれぞれのアルゴリズムの特性について考察を行った．本研究内容は総合報告として発表した．
|
