2013 Fiscal Year Annual Research Report
機械学習アルゴリズムのための最適グラフ構成法に関する研究
| Project/Area Number |
24800036
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
烏山 昌幸 京都大学, 化学研究所, 助教 (40628640)
|
|---|
| Project Period (FY) |
2012-08-31 – 2014-03-31
|
| Keywords | 機械学習 / グラフ / 半教師付き学習 / バイオインフォマティクス |
|---|
| Research Abstract |
本研究では機械学習におけるグラフ上での推定問題，特に半教師付き学習，のための最適グラフ構成法を取り扱うものである．本年度はこれまでの研究成果を国際会議，国際ジャーナルに投稿し，その成果発表を行うことができた．具体的には，複数グラフ上での推定問題に関する論文が国際ジャーナルIEEE Transactions on Neural Neworks and Learning Systems (IEEE TNNLS)に，半教師推定のためのグラフパラメータ最適化に関する論文が国際会議Neural Information Processing Sysmtes (NIPS)にそれぞれ採択された．これらはともに情報学分野における国際的に高水準なジャーナル・国際会議である．
複数グラフ上での推定問題ではグラフが複数与えられた時にそれらをどのように結合し，ノード上での予測を行うかを取り扱った．特に，多量のグラフが与えられた場合に不要なグラフの存在を考慮して，ラベルとの整合性が悪いものが自動的に排除されるような枠組みを考える事で精度の向上を示した．多様なグラフ情報の入手が容易になったいま，このような技術の必要性は高い．
グラフパラメータの最適化は，ラベルの少ない半教師学習問題にとっては難しい問題であり，本研究では入力データに潜む低次元構造の存在を仮定することでパラメータを推定し，高い精度での予測が可能であることを示した．入力データに対してラベルを得られることが難しい状況は重要な場面にこそ多く(例えばタンパク質の機能予測では多くのタンパク質は未だ機能未知である)，適切なパラメータの推定手法は実用上重要性が高い．
|
| Current Status of Research Progress |
Reason
25年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
25年度が最終年度であるため、記入しない。
|
Research Products
(2 results)
