Large-scale data analysis based on latent variable models and sequential estimation methods

2019 Fiscal Year Final Research Report

• Project/Area Number: 15H02703
• Research Category: Grant-in-Aid for Scientific Research (B)
• Allocation Type: Single-year Grants
• Section: 一般
• Research Field: Multimedia database
• Research Institution: Hiroshima University (2018-2019); Kobe University (2015-2017)
• Principal Investigator: EGUCHI Koji 広島大学, 情報科学部, 教授 (50321576)
• Co-Investigator(Kenkyū-buntansha): 高須 淳宏 国立情報学研究所, コンテンツ科学研究系, 教授 (90216648)
• Project Period (FY): 2015-04-01 – 2019-03-31
• Keywords: 潜在変数モデル / ノンパラメトリックベイズモデル / トピックモデル / 深層生成モデル / マルチモーダルデータ解析 / ネットワーク解析 / 時系列解析

Outline of Final Research Achievements

In this research, we aimed to achieve advanced analysis and prediction methods for real-world large-scale complex data, such as collections of text/multimodal data with structure or attributes and network data with attributed vertices or edges, by estimating probabilistic latent structure underlying the data. We especially addressed techniques and applications for social media and financial data, focusing on Bayesian models assuming prior hierarchies and deep generative models assuming latent hierarchical structure.

Free Research Field

情報学

Academic Significance and Societal Importance of the Research Achievements

現実のデータにしばしば見られる多様性・複雑性を考慮した洗練された潜在変数モデルの設計と、大規模で動的なデータに適用可能な効率的推定手法の開発を行った。とりわけ、多言語データ、テキストアノテーション付き画像データ、映像データなどに対するマルチモーダルデータ解析と、社会ネットワークや金融ネットワークなどに対するネットワーク解析に新たな視点を投じた。これらのことから、実社会のデータに対する分析手段として従来にない機能を提供できたと思われる。