大規模データセットに生じるハブ現象の解明とその医療生命系データへの応用

2016 Fiscal Year Annual Research Report

• Project/Area Number: 16H02821
• Research Institution: National Institute of Genetics
• Principal Investigator: 原 一夫 国立遺伝学研究所, 生命情報研究センター, 助教 (30467691)
• Co-Investigator(Kenkyū-buntansha): 鈴木 郁美 山形大学, 大学院理工学研究科, 助教 (20637730)
• Project Period (FY): 2016-04-01 – 2020-03-31
• Keywords: 近傍検索

Outline of Annual Research Achievements

「ハブネス」は，高次元空間におけるデータセットに生じる現象である．他の数多くのデータと類似するデータ（「ハブ」と呼ばれる）が出現する現象のことを言う．
ハブネスは，次の問題を引き起こすため，データセットの類似検索の価値を低下させる：（1）ハブによる検索結果上位の独占：クエリによらず検索結果の上位を少数のハブが占めること，すなわち，検索結果の上位にハブとなるデータがいわばスパムのように出現すること．（2）検索結果上位に現れにくいデータ数の増大：（ハブとなるデータとは反対に）ほとんどアクセスされないデータの数が増大すること．
平成28年度，私たちは，ハブネス発生のメカニズムを解明するために，データセットにハブネスが発生する原因を，高次元，データ密度の濃淡，という2つの点から整理した．その上で，正規分布に従って生成されたデータセットに生じるハブネスを解消する方法を開発した．実世界のデータセットは正規性を仮定できる場合が多いため，単なる対症療法としてではなく，理論的根拠付きのハブネス抑制方法を，正規分布に従うデータセットに対して開発したことの意義は大きいと考えられる．
また，ハブネスを抑制する既存研究のほとんどは，データはベクトル空間上の点として表されるベクトル値データであること，という前提の上に成り立つ限定的なものであった．本年度，私たちは，非ベクトル値データであるバイオ配列データ，単語共起データに発生するハブネスの抑制に取り組み，ハブネスをコントロールする方法を開発した．

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

交付申請書に平成28年度の予定として記した「ハブ現象のメカニズムを解明する」，「構造データに関わるハブを抑制する」，「バイオ配列のBLAST検索に関わるハブを抑制する」を達成できたため（成果の外部への発表は平成29年度以降の予定）．

Strategy for Future Research Activity

平成29年度は，「構造データに関わるハブを抑制する」に関する論文執筆を行う．また，「ハブ現象のメカニズムを解明する」については，正規分布に従わないデータセットに対する考察を進める．以上が順調に進んだ場合は，交付申請書に記載した「ハブの生じない近似近傍検索を実現する」に取り掛かる予定である．