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

2018 Fiscal Year Annual Research Report

• Project/Area Number: 16H02821
• Research Institution: Yamagata University
• Principal Investigator: 原 一夫 山形大学, 理学部, 准教授 (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．
本年度，私たちは，「バイオ配列データに関わるハブを抑制する」および「ハブ現象を異常検出に応用する」に関して昨年度に構築したアイデアを，大規模な実データで検証する段階に進んだ．ここで，大規模とは，データ数が１万から１０万程度のことをいう．
バイオ配列データについては，RefSeqと呼ばれる核酸データのデータベースから，７つの生物種の合計約１３万のアミノ酸配列（mRNA配列）を利用した．これらの配列について，総当たりで（blastxを用いて）類似スコアを計算した．ハブネスと呼ばれる現象が，バイオ配列データのデータセットにおいても生じているか（特定の配列が，他の多くの配列と類似するという現象が起きているか）を調べたところ，ハブネスが生じていることが確認された．ただし，大規模配列データの総当たりの類似スコア計算に，予想を超える時間を要した．
異常検出については，大規模な実データを得るための（物理的な）実験を試行錯誤した．安価なモータに羽をつけ，水抵抗による負荷を与えることで，異常データを人為的に発生させることを試すなどした．このようにして，異常検出に関わる実データの生成は，一定の成果が得られるところまでは到達したが，まだまだ試行錯誤する時間が必要である．

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

「バイオ配列データに関わるハブを抑制する」および「ハブ現象を異常検出に応用する」に関して，研究実績の概要で述べたように，類似度計算およびデータ生成に想定を超える時間を要している．このため，成果を論文として発表するところまで至っていない．

Strategy for Future Research Activity

「構造データ（非ベクトル値データ，とくに，バイオ配列データ，単語共起データ）に関わるハブを抑制する」および「ハブ現象を異常値検出に応用する」に関する論文執筆を行う．これらに進展が見られ次第，「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．