講演抄録/キーワード |
講演名 |
2016-11-16 15:00
[ポスター講演]主成分分析を用いた教師なし学習による変数選択法のバイオインフォマティクスへの応用 ○田口善弘(中大) IBISML2016-47 |
抄録 |
(和) |
近年、教師あり学習に基づいた機械学習・統計学習の研究が盛んに行われている。中でも深層学習の成果には目を見張るものがあるが、その高性能の基盤としてAutoencoderによる教師なし学習による特徴抽出が大きな注目を集めている。しかし、そのためには膨大なラベルなしデータが必要でいつも実行可能なわけではない。
我々は数年前から、サンプル数($n$)が変数($p$)に比べて圧倒的に少ない($n ll p$)ことが多いバイオインフォマティックスのデータ解析において、少数データに基づく教師なし学習でも有効に機能する特徴抽出法として主成分分析に基づく教師なし学習による変数選択を提案し、ここ数年多くのバイオインフォマティックスデータの解析に適応して成果を上げてきた。今回はこの1年間の成果の報告と共に、同手法をテンソル分解に拡張したテンソル分解に基づく教師なし学習による変数選択を提案し、実際の生物学的データに応用した事例の結果を報告する。 |
(英) |
Recently, numerous researches were performed for the machine/statisitical learning. Among those, deep learning is especially outstanding method.
As an basis of its high performance, unsupervised feature extraction by autoencoder was considered to be ciritical. However, since autosncoder require huge number of un-labeled data sets, it is not always applicable. The author proposed an alternative method, principal component analysis (PCA) based unsupervised feature extraction (FE), which can work with small number of un-labeled data so as to be applicable to bioinformatics problem where small number ($n$) of samples are often available although there are typically many number ($p$) of state variables ($n ll p$).
In this report we discuss about the recent progress of PCA based unsupervised FE as well as the proposal and application of tensor decomposition based unsupervised feature extraction. |
キーワード |
(和) |
教師なし学習 / 主成分分析 / テンソル分解 / 特徴抽出 / バイオインフォマティクス / / / |
(英) |
unsupervised learning / principal component analysis / tensor decomposition / feature extraction / bioinformatics / / / |
文献情報 |
信学技報, vol. 116, no. 300, IBISML2016-47, pp. 17-24, 2016年11月. |
資料番号 |
IBISML2016-47 |
発行日 |
2016-11-09 (IBISML) |
ISSN |
Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
IBISML2016-47 |
研究会情報 |
研究会 |
IBISML |
開催期間 |
2016-11-16 - 2016-11-18 |
開催地(和) |
京都大学 |
開催地(英) |
Kyoto Univ. |
テーマ(和) |
情報論的学習理論ワークショップ(IBIS2016) |
テーマ(英) |
Information-Based Induction Science Workshop (IBIS2016) |
講演論文情報の詳細 |
申込み研究会 |
IBISML |
会議コード |
2016-11-IBISML |
本文の言語 |
日本語 |
タイトル(和) |
主成分分析を用いた教師なし学習による変数選択法のバイオインフォマティクスへの応用 |
サブタイトル(和) |
|
タイトル(英) |
Principal Component Analysis based unsupervised Feature Extraction applied to Bioinformatics |
サブタイトル(英) |
|
キーワード(1)(和/英) |
教師なし学習 / unsupervised learning |
キーワード(2)(和/英) |
主成分分析 / principal component analysis |
キーワード(3)(和/英) |
テンソル分解 / tensor decomposition |
キーワード(4)(和/英) |
特徴抽出 / feature extraction |
キーワード(5)(和/英) |
バイオインフォマティクス / bioinformatics |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
田口 善弘 / Y-h. Taguchi / タグチ ヨシヒロ |
第1著者 所属(和/英) |
中央大学 (略称: 中大)
Chuo University (略称: Chuo Univ.) |
第2著者 氏名(和/英/ヨミ) |
/ / |
第2著者 所属(和/英) |
(略称: )
(略称: ) |
第3著者 氏名(和/英/ヨミ) |
/ / |
第3著者 所属(和/英) |
(略称: )
(略称: ) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2016-11-16 15:00:00 |
発表時間 |
180分 |
申込先研究会 |
IBISML |
資料番号 |
IBISML2016-47 |
巻番号(vol) |
vol.116 |
号番号(no) |
no.300 |
ページ範囲 |
pp.17-24 |
ページ数 |
8 |
発行日 |
2016-11-09 (IBISML) |