研究課題
高次元かつ複雑な構造を有するデータが大量に蓄積されるなか，データの形状や生成プロセスに強い仮定をおかない柔軟なデータ解析と，データに含まれる本質的な情報を抽出する手法の必要性がかつてなく高まっている．ノンパラメトリックモデリングは，データに特定の分布を仮定しない柔軟なモデル化を可能とするが，観測データ全てを常に保持していなければならず，高い計算量，記憶容量を要する．一方，スパースモデリングはデータの本質的な情報を抽出できるが，データの生成モデルに強い仮定をおく必要がある．本研究の目的は，ノンパラメトリックモデリングとスパースモデリングの融合により，高次元・複雑データに対する効率的なデータ解析の枠組みを構築することである．両方法論に関して具体的なアルゴリズムを導出し，それを地球科学を始めとする様々な分野に適用して方法論の確立を目指した．研究期間を通して，ノンパラメトリックアプローチとそれを支える技術としては確率分布の混合，一般化線形モデルに基づくデータの潜在次元の推定，スパースモデリングとそれを支える技術としては二重スパース性という概念を用いた画像超解像技術，部分的な観測に基づくグラフ構造の推定などを開発した．本研究課題において重要である要素技術の応用においては，スロースリップ地震の解析，マグマテクトニクス場の分類といった当初の予定通りの地球科学分野の研究者との連携による成果に加え，X線分光顕微鏡計測の高速化，電気生理学的実験による神経細胞の結合推定など，様々な分野の研究者と連携しつつ各領域における重要な問題の解決に取り組み成果を上げた．
すべて 2018
すべて 雑誌論文 (2件) (うち査読あり 2件、 オープンアクセス 1件) 学会発表 (2件) (うち国際学会 2件)
Geochemistry, Geophysics, Geosystems
巻: 19 ページ: 1327～1347
https://doi.org/10.1029/2017GC007401
Neural Networks
巻: 108 ページ: 172～191
https://doi.org/10.1016/j.neunet.2018.07.019
