| 研究領域 | スパースモデリングの深化と高次元データ駆動科学の創成 |
|---|
| 研究課題/領域番号 |
16H01548
|
|---|
| 研究種目 |
新学術領域研究(研究領域提案型)
|
| 配分区分 | 補助金 |
|---|
| 審査区分 |
複合領域
|
|---|
| 研究機関 | 大阪大学 |
|---|
研究代表者 |
河原 吉伸 大阪大学, 産業科学研究所, 准教授 (00514796)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2018-03-31
|
| 研究課題ステータス |
完了 (2017年度)
|
| 配分額 *注記 |
4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2017年度: 2,470千円 (直接経費: 1,900千円、間接経費: 570千円)
2016年度: 2,210千円 (直接経費: 1,700千円、間接経費: 510千円)
|
|---|
| キーワード | 機械学習 / スパースモデリング / 劣モジュラ関数 / 動的モード分解 / メタ学習 |
|---|
| 研究実績の概要 |
本研究では，データ中の構造的情報を自動的に抽出し構造的疎性モデリングへ利用するメタレベルの学習のための一連の理論／アルゴリズム体系の構築を目的とするものである．特に，劣モジュラ関数から得られる確率分布を用いて，多様な構造的疎性に対して統一的なアプローチや（最適化）計算への帰着が可能な体系の獲得を目指すものである．そして最終的には，得られた枠組みを実用的な場面へと適用することでその有用性の検証を進めるまでを目的とする．
本年度は，劣モジュラ関数から得られる確率分布を事前分布とするベイズ推論の枠組みについて一般化を行った．先年度は，劣モジュラ関数のロヴァース拡張を正則化項とする線形回帰においては，このようなベイズ推論が，一定の仮定の下で効率的に計算可能な最適化問題へと帰着されることについて示した．本年度はこれを一般化し指数型分布族で表される条件付き分布を用いた場合について枠組みを構築するとともに，その有用性について検証を進めた．
一方，当新学術領域で盛んに議論される，多変量の時系列データの解析手法である動的モード分解についてもいくつかの数理的拡張について検討を行った．例えば，ベイズ的拡張やロバストな推定法などの開発を行いその有用性について検証を行った．
|
| 現在までの達成度 (段落) |
29年度が最終年度であるため、記入しない。
|
| 今後の研究の推進方策 |
29年度が最終年度であるため、記入しない。
|
