| 研究課題/領域番号 |
16H02789
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 一般 |
|---|
| 研究分野 |
統計科学
|
|---|
| 研究機関 | 京都大学 (2017-2019)
大阪大学 (2016) |
|---|
研究代表者 |
下平 英寿 京都大学, 情報学研究科, 教授 (00290867)
|
|---|
| 研究分担者 |
清水 昌平 滋賀大学, データサイエンス学部, 教授 (10509871)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2020-03-31
|
| キーワード | 多変量解析 / パターン認識 / グラフ埋め込み / 次元削減 / 分散表現 / ニューラルネットワーク / マルチモーダル / 自然言語処理 |
|---|
| 研究成果の概要 |
画像，タグ，文書等の様々な種類（ドメインと呼ぶ）の情報源から得られるデータベクトルと，データベクトル間の関連性の強さに関する情報が得られているデータを，多ドメイン関連性データと呼ぶ．従来の多変量解析ではベクトルが1対１対応するものを扱っていたため，柔軟なデータ構造を表すことができなかった．本研究ではベクトルの関連性をグラフ（ネットワーク）で表現して，そのグラフ構造をなるべく保存するように次元削減を行う情報統合の方法を提案・発展させた．
|
| 自由記述の分野 |
統計学・機械学習
|
| 研究成果の学術的意義や社会的意義 |
関連性データのグラフ構造をなるべく保存するようにデータベクトルを変換することをグラフ埋め込みという．正準相関分析など従来の多変量解析を一般化したグラフ埋め込み手法を提案し，画像と単語の相互検索などのタスクで有効性を確認した．ニューラルネットワークによる非線形変換を用いたグラフ埋め込み法を提案し，さらに外れ値の影響を軽減するロバスト化を行った．ベクトル間の内積とそれを発展させたニューラルネットワークモデルによって表現できる類似度関数のクラスを明らかにした．
|
