| 研究課題/領域番号 |
18K11434
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分61030:知能情報学関連
|
|---|
| 研究機関 | 京都大学 |
|---|
研究代表者 |
|
|---|
| 研究期間 (年度) |
2018-04-01 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2020年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2019年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2018年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
|---|
| キーワード | machine learning / Graph analysis / bioinformatics / large graph / graph neural networks / Convex clustering / graph Laplacian / hypergraph / sparsistency / Learning on graphs / distances on graphs / semi-supervised learning / graph embedding |
|---|
| 研究成果の概要 |
私たちはこのプロジェクトでいくつかの理論的および応用的な結果を達成しました。 理論的には、グラフの拡張であるハイパーグラフ上にすべての機械学習手法の基礎を築きました。 また、グラフ情報を活用することで、グラフに関する学習を、分子、スペクトル、および他の分子との相互作用を含むより複雑なアプリケーションに適用することもできます。
|
| 研究成果の学術的意義や社会的意義 |
Our achievements help pay ways for further research into more complicated problems in the area of graphs, hypergraphs and application on molecular learning. This may contribute to further research and development in biomedical applications.
|
