時空間データに対する非負値行列因子分解における変化係数の導入と展開

时空数据非负矩阵分解中变异系数的引入和扩展

• 批准号: 22K11930
• 负责人: 佐藤 健一
• 金额: $ 2.25万
• 依托单位: Shiga University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-04-01 至 2027-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K11930/
• 关键词: 非負値行列因子分解; 変化係数

本研究では, NMFの係数行列を変化係数として考え, その統計的な推測方法の開発を目的とする. NMFは様々な分野で利用されてきたが, 空間データ, あるいは, 時間と空間を持つ時空間データでの利用はあまり例がなく, 新型コロナ感染数においても適用例はあるものの係数行列に外部変数を組み入れた回帰構造がないためにリスク要因の探索に至っていない. 一方で, NMFの係数行列に回帰構造を入れた場合の変化係数としては, 申請者が従来研究を進めてきた成長曲線モデルの平均構造と形式的には等価である. つまり, 佐藤(2020)から, 未知回帰係数行列Θと測定時点に関わる既知計画行列X, 位置情報などの共変量Aを用いて, 観測行列Yは次のように近似できる.Y≒XΘAそれゆえ, NMFの近似式Y≒HUと比較すると, 係数行列Uを共変量Aで回帰する構造, U=ΘAとすることで変化係数の導入が可能となる. 大きな違いとしては, 成長曲線モデルにおける基底行列は既知として多項式曲線やスプライン基底を与えるのに対して, NMFでは目的関数の最適化によって自動的に基底関数が求まる. このようにNMFに変化係数を導入することで形式的に成長曲線モデルとして記述できることに着目した研究は国内外に例がなく, 新規性が高い. 当該年度では，Aを基知として，Θの最適化について検討した．より具体的には，Aに位置情報などの説明変数を仮定した．当該年度では，Aを基知として，Θの最適化について検討した．この問題が従来のtri-NMFの問題に帰着でき，その最適化が利用できることを確認できた．

This study で は, NMF is の coefficient を variations change coefficient と し て え, そ の な speculation method of statistical の open 発 を purpose と す る. NMF は others 々 な eset で using さ れ て き た が, space デ ー タ, あ る い は, time と space spatial デ を hold つ ー タ で の using は あ ま り example が な く, New コ ロ ナ infection number に お い て も applicable example は あ る も の の coefficient among に external - several み を group into れ た back 帰 tectonic が な い た め に リ ス の ク will explore に to っ て い な い. Coefficient of one party で, NMF の ranks に 帰 tectonic を back into れ の た occasions - change coefficient と し て は, applicants が 従 to study を め て き た growth curve モ デ ル の average structure form と に は etc 価 で あ る. つ ま り, sato (2020) か ら, unknown to 帰 coefficient ranks Θ と measuring point に masato わ る already know project X, Type A location intelligence な ど の altogether - を with い て, ranks Y は 観 readings の よ う に approximate で き る. Y ≒ X Θ A そ れ ゆ え, NMF の approximant Y ≒ HU と compare す る と, coefficient of ranks U を total amount - A で back 帰 す る structure, U = Θ A と す る こ と で variations change coefficient の import が may と な る. Big き な violations い と し て は, growth curve モ デ ル に お け る basal ranks は already know と し て polynomial curve や ス プ ラ イ ン basal を and え る の に し seaborne て, NMF で は objective optimal number of masato の に よ っ て automatic number of に basal masato が o ま る. こ の よ う に NMF に variations change coefficient を import す る こ と で に growth curve in the form of モ デ ル と し て account で き る こ と に with mesh し た research at home and abroad は に example が な く, high が い new rules. When the year で で, Aを is based on と て て, Θ <s:1> optimizes に て て検 て検 て検 て検 for た た. Youdaoplaceholder0 よ specific に, Aに location intelligence な <s:1> <s:1> description of the variable を仮 is fixed た た. When the year で で, Aを is based on と て て, Θ <s:1> optimizes に て て検 て検 て検 て検 for た た. こ の problem が 従 to の tri - the NMF の problem に 帰 the で き, そ の optimization が using で き る こ と を confirm で き た.

项目成果

Daily meals in context: A quantitative analysis of elementary school students' drawings

上下文中的日常膳食：小学生绘画的定量分析

• DOI: 10.3389/fcomm.2023.1008108
• 发表时间: 2023
• 期刊: Frontiers in Communication
• 影响因子: 2.4
• 作者: Kinoshita L;Goto A;Okabe S;Satoh K;Honda K;Ueda K;Murakami M;Nollet KE
• 通讯作者: Nollet KE

Recommendations for Optimising a Human Resource Development Training Programme for a Nuclear Accident Based on the Personal Backgrounds of Radiological Technologists: Experiences from the Fukushima Daiichi Nuclear Power Station Accident

基于放射技术人员个人背景优化核事故人力资源开发培训方案的建议——福岛第一核电站事故的经验

• DOI: 10.6009/jjrt.2022-1307
• 发表时间: 2022
• 期刊: Japanese Journal of Radiological Technology
• 作者: Ohba Takashi;Mabune Koichi;Kanno Shuichi;Hasegawa Arifumi
• 通讯作者: Hasegawa Arifumi

Soft Clustering Based on Non-negative Matrix Factorization for Longitudinal Data

基于纵向数据非负矩阵分解的软聚类

• DOI: 10.5023/jappstat.51.1
• 发表时间: 2022
• 期刊: Ouyou toukeigaku
• 作者: Ochiai;Akiko;本多まりえ;Chiyojko Inosaki;塚田幸光;Satoh Kenichi
• 通讯作者: Satoh Kenichi