機械学習による水中病原体と指標微生物の濃度相関解析法の精緻化

利用机器学习改进水生病原体和指示微生物的浓度相关性分析方法

• 批准号: 19K04661
• 负责人: 加藤 毅
• 金额: $ 2.75万
• 依托单位: Gunma University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2019
• 资助国家: 日本
• 起止时间: 2019-04-01 至 2023-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-19K04661/
• 关键词: 環境水質工学; 機械学習; 相関解析; 水中病原体; 指標微生物; 打ち切りデータ; 相関係数; ドメイン

環境水や飲用水には感染症を引き起こす病原体が含まれることがある．病原体とは病原細菌，病原ウイルス，および原虫を含む．モニタリングされる指標微生物の水質衛生基準値を設定する際には，指標微生物濃度と病原体濃度との相関関係を適切に定量化することが求められる．しかし，病原体の陽性率の低さが相関計算の障害となっている．本研究では，近年著しい発展を遂げる機械学習を使うことで，指標微生物と病原体の濃度相関解析を改善することを目指した．従来は指標微生物や病原体の濃度を使って相関を計算してきた．これに対し，本研究は，指標微生物や病原体の濃度と同時に取得できる水質データやドメイン知識を利活用することで，相関解析法の高精度化を狙った．統計学において，トビット法という，非定量値と回帰直線を同時に推定する方法がある．トビット法では，観測された病原体濃度の確率密度関数，および検出限界を下回った濃度がその確率モデルにおいて非観測となる確率質量関数を得ることが出来，それらを組み合わせることで回帰係数の尤度関数を構成する．このアプローチをそのまま使ってしまう場合，予測に用いる情報が不十分になるため，非検出値の予測分布は大雑把なものにしかならず，そこから得られる相関解析は十分な精度で得られない．本研究では，水質データの援用によって，非検出値の予測分布を精密にすることで，相関係数の精度を向上させた．個別の説明変数の予測能力はさほど強くないため，標本が小さいとき符号が逆転した標本相関が発生する．本研究では，ドメイン知識を符号制約で表すことで，標本が小さくても，回帰分析の精度を大きく改善させ，これを相関解析のワークフローに取り込むことで，相関解析の精度を向上させることに成功した．

Environmental water, drinking water, infectious diseases, pathogens. Pathogens and pathogenic bacteria, pathogens and protozoa. When setting the water quality hygiene reference value of indicator microorganism, the correlation between indicator microorganism concentration and pathogen concentration should be quantified appropriately. The positive rate of pathogens is low, and the correlation calculation is difficult. In this study, the development of mechanical learning in recent years has improved the correlation analysis of indicator microorganisms and pathogens. The concentration of the indicator microorganism and pathogen was calculated. In this study, the concentration of indicator microorganisms and pathogens was simultaneously obtained to improve the accuracy of correlation analysis. Statistics: a method of non-quantitative regression. The accuracy density relation of the pathogen concentration measured by the method is determined according to the detection limit. In the case of this kind of situation, the information used for prediction is not very accurate, the distribution of non-detected values is very large, and the relevant analysis is very accurate. In this study, the accuracy of the prediction distribution of water quality parameters was improved. The prediction ability of individual specifications is strong, and the symbol is negative. This study is aimed at improving the accuracy of regression analysis and improving the accuracy of correlation analysis.

项目成果

河川水中病原体予測のための符号制約SVMと双対学習算法

用于预测河水中病原体的符号约束支持向量机和对偶学习算法

• 发表时间: 2020
• 作者: 遠山忠 ; 松井拓也 ; Rubiyatno ; 森一博;土田 康平，田島 賢哉，佐野 大輔，加藤 毅
• 通讯作者: 土田 康平，田島 賢哉，佐野 大輔，加藤 毅

Frank-Wolfe algorithm for learning SVM-type multi-category classifiers

• DOI: 10.1587/transinf.2021edp7025
• 发表时间: 2020-08
• 作者: Kenya Tajima;Yoshihiro Hirohashi;E. R. R. Zara-E.-R.-R.-Zara-70828201;Tsuyoshi Kato

Asymmetric Tobit Analysis for Correlation Estimation from Censored Data

用于根据截尾数据进行相关性估计的非对称 Tobit 分析

• DOI: 10.1587/transinf.2021edp7022
• 发表时间: 2021
• 期刊: IEICE Transactions on Information and Systems
• 影响因子: 0.7
• 作者: CAO HongYuan;KATO Tsuyoshi
• 通讯作者: KATO Tsuyoshi

サイド情報を活用した水中病原体と指標微生物の相関解析

利用辅助信息进行水生病原体与指示微生物之间的相关性分析

• 发表时间: 2021
• 作者: 曹 洪源;佐野 大輔;加藤 毅
• 通讯作者: 加藤 毅

フランクウルフ算法によるＳＶＭの符号制約学習

使用 Frank-Wolf 算法进行 SVM 的符号约束学习

• 发表时间: 2021
• 作者: 小倉悠太朗;中村一樹;邉見貴彦，土田康平，田島賢哉，加藤 毅
• 通讯作者: 邉見貴彦，土田康平，田島賢哉，加藤 毅