文字列の距離空間上の最大マージン識別器とそのタンパク質科学への応用

概要

論文の詳細を見る
これまでデータと言えば,数や数ベクトルが大部分を占めていたが,近年,計算機科学や生物学において,テキストデータや生物配列など,大量の文字列データが生成されるようになり,文字列データの分類問題は,様々な領域に共通の問題となっている.この問題に対して現在最もよく用いられている方法は,文字列カーネルによって文字列を数ベクトルに変換し,それにサポートベクターマシーンを適用することである.しかし,この変換は 1 対 1 ではなく,文字列を構成する文字の並びに関するかなりの量の情報を捨ててしまう.また,この接近法のより重要な問題は,学習機械を訓練し,テストするために与えられたデータはある確立法則に従って生成された文字列であるという重要な側面を考慮し,確立論を用いて学習機械の汎化誤差を理論的に評価することを不可能にしていることである.なぜ,文字列データを分類するために,それを数ベクトルに変換し,数ベクトル空間上で動作する学習機械を用いるのだろうか.文字列を分類するには,文字列の集合上で動作する学習機械を用いるのが自然だろう.我々は,文字列を数ベクトルに変換せずに,文字列自体を入力として受け取る学習機械を構築することにより,この分類問題に接近した.このような学習機械の汎化誤差を理論的に評価するには,文字列に対する確率論が必要である.文字列は,これまで,数学の対象というよりは,計算機科学の対象であり,文字列の集合に位相構造や代数構造を与えて,その上で確立論を展開するということはなされてこなかったが,著者等のうちの 1 人と彼の共同研究者は,以前の研究において,Levenshtein 距離が与えられた文字列の距離空間上で確立論を展開して,ベクトル空間における大数強法則の,この空間におけるアナロジーを証明した.この研究において,我々は,この文字列の集合上の確立論を応用することにより,ある正則条件の下で,我々の学習機械が漸近的に最適な仕方で文字列を分類することを証明した.更に,我々の学習機械を,アミノ酸配列を用いたタンパク質間相互作用の予測問題に応用して,実際のデータ解析におけるその有用牲を示した.
2014-06-18

文字列の距離空間上の最大マージン識別器とそのタンパク質科学への応用

スポンサーリンク

概要

著者

関連論文

スポンサーリンク