ビッグデータ時代のグラフィカルモデル推測理論の新展開
| Project/Area Number |
17K00061
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Research Field |
Statistical science
|
|---|
| Research Institution | Doshisha University |
|---|
Principal Investigator |
原 尚幸 同志社大学, 文化情報学部, 教授 (40312988)
|
|---|
| Project Period (FY) |
2017-04-01 – 2022-03-31
|
| Project Status |
Granted (Fiscal Year 2020)
|
| Budget Amount *help |
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2020: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2019: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2018: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2017: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
|
|---|
| Keywords | 統計的因果推論 / グラフィカルモデル / 機械学習 / 金融テキストマイニング / MCMC法 / 適合度検定 / 因果推論 / マルコフ基底 / 正確確率検定 / 計算代数統計学 / グラフ / ベイジアンネットワーク / 空間疫学 / 多重比較 / 統計数学 / 多変量推測統計学 |
|---|
| Outline of Annual Research Achievements |
(1)Uplift Modelingの処置前後データへの一般化
医学やマーケティングの分野では、ある属性をもつ個人に処置を行った場合の処置効果を精度よく予測することが求められることがある。Uplift Modelingとは、統計的因果推論と機械学習を融合し、処置効果を事前に予測するための手法である。従来のUplift Modelingでは、クロスセクションデータに基づいて処置効果の予測を行うものであった。本研究では、これを、処置前・処置後の2時点のパネルデータ（以下、処置前後データ）が得られている場合へと一般化することを試みた。処置前後データの場合、処置効果を識別するための条件が緩くなることから、より実用的なシチュエーションである。Uplift Modelingは、(i) 未観測の潜在的結果変数の予測、(ii) 共変量と潜在的結果変数の組みから処置効果を学習し予測、という2段階の手続きからなるが、本研究では、(i)の予測問題に関し、従来法の処置前後データの場合への一般化に加え、さらにそれを改良する予測法の提案を行った。さらに数値実験やマーケティングデータへの応用を通して提案手法の有用性を確認した。
(2)金融テキストマイニングと深層学習を用いたビットコイン価格の予測
金融テキストマイニング分野では、SNSの投稿の感情スコアを用いた金融商品価格を予測する研究が注目されている。しかし、先行研究では、すべての投稿の感情スコアを平等に扱っており、インフルエンサーの影響などを正確に予測に反映するモデルとはなっていなかった。本研究では、エンゲージメント率で重み付けした感情スコアを用いて、ビットコイン価格を予測するモデルの提案を行った。その結果、提案手法が騰落の予測に関しては従来法を大きく改善することが確認できた。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
当初の予定では、本課題は2020年度で終了する予定であった。しかしながら、2020年度はコロナウィルスの影響で、オンライン講義などの対応に多くの時間を使う必要が生じ、研究活動に予定通りのエフォートをさくことができなかった。そのため、現状の成果を再考察し、論文化などの形で発表する作業を予定通りに行うことができなかった。今回、一年の延長が認められたことで、一年後には当初の予定通りに成果報告まで終えられると考えている。
一方、昨年度、コロナの影響で身動きが取れない中で、本研究課題とも関連する新たな共同研究を立ち上げることができた。人類学・考古学者との共同研究で、遺跡からの発掘物の産地構成比を時空間ベイズモデルを用いて推定する問題や、認知科学者と共同研究で、歩容などの高次元行動時系列データを分析するための手法の開発に関するものである。これらの課題でも追加的な成果が期待できることから、一年後には当初の予定よりも多くの成果が得られる可能性もある。
|
| Strategy for Future Research Activity |
2020年度までに提案した処置前後データのUplift Modelingの提案手法は、潜在的アウトカムの予測量が不連続であるなど、まだ改良の余地があるため、その点の再考察から行い、成果発表、論文化の作業を行う。
上述の遺跡からの出土品の構成比の問題にも取り組む。この問題は時空間的な相関をモデルに組み込む必要がある点、発掘の作業がランダムサンプリングとは言えない点、十分なサンプルサイズが必ずしも得られない点などが統計学的に困難な点である。この点を解決するベイズモデルの開発を目指す。
さらに、行動ビッグデータの分析手法の開発にも着手する。行動データは、モーションキャプチャーを用いた実験に基づいて収集されることが多かったが、近年では、映像情報から、OpenPoseのようなAI技術を用いることで関節の動きに関する高次元時系列データを抽出することが可能になった。行動時系列データの分析手法は、いまだスタンダードなものはないが、例えば歩容のデータなどは、犯罪捜査への応用などで注目をされている。本研究では、ガウス過程などの機械学習的な手法や深層学習の記述を用た分析手法の開発を目指す。
|
Report
(4 results)
Research Products
(19 results)
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
[Book] 統計学実践ワークブック2020
Author(s)
日本統計学会（編）（原尚幸ら5名が編集委員）
Total Pages
330
Publisher
学術図書出版社
ISBN
9784780608526
Related Report
-
[Book] 代数的統計モデル2019
Author(s)
青木敏, 竹村彰通, 原尚幸
Total Pages
300
Publisher
共立出版
ISBN
9784320113534
Related Report
