研究課題/領域番号 |
22K03412
|
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12040:応用数学および統計数学関連
|
研究機関 | 筑波大学 |
研究代表者 |
矢田 和善 筑波大学, 数理物質系, 准教授 (90585803)
|
研究分担者 |
青嶋 誠 筑波大学, 数理物質系, 教授 (90246679)
|
研究期間 (年度) |
2022-04-01 – 2026-03-31
|
研究課題ステータス |
交付 (2022年度)
|
配分額 *注記 |
4,030千円 (直接経費: 3,100千円、間接経費: 930千円)
2025年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2024年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2023年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2022年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
|
キーワード | 高次元漸近理論 / 高次元クラスタリング / 客観的総合指数 / 高次元幾何的表現 / 高次元非線形PCA / 判別分析 / クラスタリング |
研究開始時の研究の概要 |
近年、様々な高次元データに高次元統計解析法を提供できるようになった。しかし、高次元データは線形的な潜在情報を多く包含し、その情報に基づく解析法が大半であった。本研究は、理論的困難さゆえに未開拓であった、非線形特徴量に基づく新たな高次元統計理論を開発し、高次元統計解析の応用範囲を広め、より高精度で柔軟な解析手法を提供する。この新しい方法論は、高次元データの線形的な潜在情報だけではなく、その非線形的な潜在情報も余すことなく利用でき、多様な高次元データの解析を必要とする社会へもインパクトが期待できる。
|
研究実績の概要 |
本研究の土台となる研究課題「高次のモーメントを用いた高次元分類法の考案」に取り組み、高次のモーメントを用いた高次元クラスタリングの分類理論を確立した。 まずは、既存の研究が不十分であった高次元データにおける階層的クラスタリングの漸近理論の構築に取り組んだ。階層的クラスタリングにより構築される階層構造の高次元漸近的性質を調査し、正則条件のもとで特徴的な3つの振る舞いが起こることを証明した。それら3つの振る舞いとも、混合するデータのクラスが明確にわかる階層構造となっている。その正則条件は、混合するデータのクラス間の平均ベクトルの差異だけではなく、2次のモーメント情報である共分散行列間の差異にも依存しており、それらの差異によりデータのクラス毎の高精度な分類が可能となっている。さらに、カーネルk-means法における高次元漸近的性質を調査し、特にガウシアンカーネル関数を用いたカーネルk-means法の分類に関する高次元一致性を証明した。これは、ガウシアンカーネル関数で表現される共分散行列間の差異を積極的に利用することで高精度な分類が可能となっている。 一方で、Sei (2016, JMVA)で提案された変数間で公平な指数である客観的総合指数の高次元漸近理論を初めて与えた。さらに、その理論に基づく応用例として、遺伝子発現データの分類問題を考え、客観的総合指数の係数の大小により有意な遺伝子の選択と分類が可能であることを例示した。
|
現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
本研究の土台となる研究「高次のモーメントを用いた高次元分類法の考案」が進んでいることからも、順調に進展している。
|
今後の研究の推進方策 |
令和4年度の研究を踏まえて、研究課題「カーネル法における高次元幾何的表現の導出」に取り組む。一般の正定値カーネルにおけるカーネル法で高次元漸近理論を展開し、高次元データをさらなる高次元の特徴空間にあえて射影することで、非線形の特徴を幾何的に炙り出す。この結果により、各カーネル特有の高次元非線形特徴量を精密に抽出する。さらに、令和4年度の研究で考案したカーネルk-means法の高次元漸近理論に、カーネル法における精密な高次元幾何的表現を取り入れることで、最適なカーネル関数の選択法を考案する。
|