文献

J-GLOBAL ID：201702212947280349   整理番号：17A0864432

高次交互作用モデリングのための機械学習アルゴリズム

Machine Learning Algorithm for High-Order Interaction Modeling

著者 (5件)： 竹内一郎 (名古屋工業大学) ,  竹内一郎 (理化学研究所) ,  中川和也 (名古屋工業大学) ,  津田宏治 (理化学研究所) ,  津田宏治 (東京大学)
資料名： 日本ロボット学会誌  (ロボ學)
巻： 35  号： 3  ページ： 215-220(J-STAGE)  発行年： 2017年 
JST資料番号： Y0482A  ISSN： 0289-1824  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 生命科学分野ではヒトや動物の網羅的な遺伝情報を計測できるようになり,数千から数万次元の遺伝的特徴に基づいて生命現象のモデリングが行われているが,高次元データに基づくモデリングでは,膨大な特徴のうち,有用なものと不要なものを取捨選択することが不可欠である。機械学習や数理統計の分野では,スパース推定という手法が注目されている。本稿では,スパース推定を用いた予測モデリングについて記述する。基本的なアイデア,セーフスクリーニング,セーフプルーニング,アルゴリズム,拡張等について説明する。高次交互作用モデルの例として,機械学習のベンチマークデータとしてよく利用されるmashroomデータセットに高次交互作用モデルのスパース推定を適用した結果を紹介する。高次交互作用モデルをスパース推定することにより,予測に有用な特徴の組み合わせが理解できるようになることに言及した。

シソーラス用語： *機械学習 ,  *モデリング ,  *効果 ,  *ライフサイエンス ,  *遺伝的アルゴリズム ,  *推定 ,  *集合
準シソーラス用語： 交互作用効果 ,  生命科学 ,  スパース推定 ,  データセット

著者キーワード (4件)： Machine Learning ,  Interaction Modeling ,  Sparse Modeling ,  Convex Optimization

分類 (2件)： 計算理論  (JB02000A) ,  人工知能  (JE08000Z)

引用文献 (16件)：

• [1] R. Tibshirani: “Regression shrinkage and selection via the lasso,” Journal of the Royal Statistical Society. Series B (Methodological), pp.267–288, 1996.
• [2] K. Nakagawa, S. Suzumura, M. Karasuyama, K. Tsuda and I. Takeuchi: “Safe pattern pruning: An efficient approach for predictive pattern mining,” Proc. of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.1785–1794, ACM, 2016.
• [3] S. Boyd and L. Vandenberghe: Convex Optimization. Cambridge University Press, 2004.
• [4] L. El Ghaoui, V. Viallon and T. Rabbani: “Safe feature elimination in sparse supervised learning,” Pacific Journal of Optimization, vol.8, no.4, pp.667–698, 2012.
• [5] Z.J. Xiang, H. Xu and P.J. Ramadge: “Learning sparse representations of high dimensional data on large scale dictionaries,” Advances in Neural Information Processing Systems, pp.900–908, 2011.

タイトルに関連する用語 (3件)： モデリング ,  機械学習 ,  アルゴリズム