スパース経時データのクラスタリング法の開発と臨床医学への応用

稀疏纵向数据聚类方法的发展及其在临床医学中的应用

• 批准号: 21K11787
• 负责人: 山本 倫生
• 金额: $ 2.66万
• 依托单位: Osaka University (2022)Okayama University (2021)
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21K11787/
• 关键词: 経時測定データ; クラスタリング; 関数データ解析; スパース経時データ

経時データや空間データなど、時間や位置情報に依存して滑らかに変化するデータを一般化し、「関数」として捉えたデータのことを関数データと呼ぶ。関数データの解析手法である関数データ解析は、測定機器や計算機の発達に伴って1990年代以降多くの研究がおこなわれており、近年は、関数空間上の確率解析とも結びつき、理論・応用の両面から精力的に研究されている。経時データのクラスタリングにおいて、対象ごとの測定数が極端に少ない経時データ（スパース経時データ）の場合に、背後にあるクラスタ構造を推定することが困難である。本研究では、スパースな経時データに対して適用可能な、関数データ解析のアプローチによるクラスタリング法の開発と、遺伝子等の複数のバイオマーカーによる疾患サブタイプ探索が可能な方法への拡張を目的としている。スパース経時データに対して既存のクラスタリング法が機能しない大きな原因の1つは、対象ごとに測定時点が少なく、各対象の経時的な変化をデータから推定できない点にある。そこで、対象ごとの経時的な変化を推定することなく、クラスタ中心を推定するクラスタリング法を提案していた。また、提案手法の理論的性質として、経験損失関数は真に最適な損失関数への一致性推定量であることを示した。さらに、クラスタ中心の推定量の一致性を証明することに成功した。また、既存の経時データのクラスタリング法との比較を実データをもとに行い、提案手法の方がより正確に背後にあるクラスタ構造を推定できることを確認した。

When 経 デ ー タ や space デ ー タ な や location intelligence に ど, time dependent し て slide ら か に variations change す る デ ー タ を generalized し, "masato number" と し て catch え た デ ー タ の こ と を masato number デ ー タ と ぶ. Masato number デ ー タ の parsing technique で あ る masato number デ ー タ analytical は, measuring machine や の 発 da に with っ て in the 1990 s many く の research が お こ な わ れ て お り, は in recent years, masato number space の probabilistic parsing と も knot び つ き, theory 応 with の struck surface か ら energy に research さ れ て い る. When 経 デ ー タ の ク ラ ス タ リ ン グ に お い て, like ご seaborne と の determination for が less extreme に な い 経 when デ ー タ (ス パ ー ス 経 when デ ー タ) の に, behind に あ る ク ラ ス タ tectonic を presumption す る こ と が difficult で あ る. This study で は, ス パ ー ス な 経 when デ ー タ に し seaborne て may apply な, masato デ ー タ parsing の ア プ ロ ー チ に よ る ク ラ ス タ リ ン グ method の open 発 と, but son 伝 の plural の バ イ オ マ ー カ ー に よ る disorders サ ブ タ イ プ may explore が な method へ の company, zhang を purpose と し て い る. When ス パ ー ス 経 デ ー タ に し seaborne て existing の ク ラ ス タ リ ン グ method が function し な い big き な reason の 1 つ は, like ご seaborne と に measuring point が less な く, the polices の 経 when な variations change を デ ー タ か ら presumption で き な い point に あ る. そ こ で, like ご seaborne と の 経 な when - the presumption を す る こ と な く, ク ラ ス タ center を presumption す る ク ラ ス タ リ ン グ method proposed を し て い た. ま た, the nature of the proposed technique の theory と し て, 経 験 loss masato number は really に optimal な loss masato へ の consistency estimator で あ る こ と を shown し た. The さらに and する ラスタ center <s:1> inference quantitative <s:1> consistency を proves that the する とに とに とに is successful and the た is た. When ま た, existing の 経 デ ー タ の ク ラ ス タ リ ン グ method と の is を be デ ー タ を も と に line い, proposal gimmick の が よ り に right behind に あ る ク ラ ス タ tectonic を presumption で き る こ と を confirm し た.

项目成果

表点を用いた大規模クラスタリングの近似法とその性質

基于表点的大规模聚类逼近方法及其性质

• 发表时间: 2022
• 作者: Abe Kazuma;Phung-Duc Tuan;寺田吉壱，山本倫生．
• 通讯作者: 寺田吉壱，山本倫生．

大規模・複雑なデータに対するクラスタリング法について

关于大规模复杂数据的聚类方法

• 发表时间: 2022
• 作者: Watanabe Takeshi;Arisawa Kokichi;Nguyen Tien Van;Ishizu Masashi;Katsuura-Kamano Sakurako et al.;寺田吉壱，山本倫生．
• 通讯作者: 寺田吉壱，山本倫生．

2次の重み付き一般化推定方程式を用いたデータ融合手法の提案

使用二次加权广义估计方程的数据融合方法的提出

• 发表时间: 2022
• 作者: 九澤賢太郎（エーザイ株式会社）;寒河江雅彦（金沢大学）;原田魁成（金沢大学）;岸本和久，山本倫生
• 通讯作者: 岸本和久，山本倫生

McGill University(カナダ)

麦吉尔大学（加拿大）

スパースな経時測定データに対する関数クラスタリング

稀疏时程数据的函数聚类

• 发表时间: 2022
• 作者: 山本倫生，寺田吉壱