2022年度の秋学期が終了しました。
コロナでいろいろと勉強させられています。
時代は変わり 研究室のあり方も変わっています。
The usefulness of sparse k-means in metabolomics data: An example from breast cancer data
われわれの研究Gからのあたらしい pre-printです。
Biorxiv
Metabolomeデータにsparse k-meansを適用してみたというスタートアップ的な研究です。
もうすこし真剣にsparseについて考えてみたいと思っています。
Performance Comparison of Deep Learning Architectures for Artifact Removal in Gastrointestinal Endoscopic Imaging
われわれの研究Gからのあたらしい pre-printです。
内視鏡画像から、Deep Learningを使って、ファイバーなどのアーチファクトを除去する研究の一つです。
Analyzing the relationship between distracted driving and eye movement using multimodal data collected during car driving
われわれの研究Gからのあたらしい pre-printです。
Open dataを利用した追試研究になっています。
生体情報および車両情報の両方をうまく使うことに興味があり研究を進めています。
BioRxiv
Interpersonal brain synchronization during face-to-face economic exchange between acquainted dyads
われわれの研究Gからのあたらしい pre-printです。
良心学研究のアウトプットです。
社会的相互作用を脳神経科学的アプローチで迫っています。
fnirsで hyperscanning をやっています。 あと、解析方法でおもろいことやっています。
Thresholding Approach for Low-Rank Correlation Matrix based on MM algorithm
われわれの研究室からの新しいpre-printです。
相関行列の特徴を解釈する上で、低ランク近似をしたくなりますが、場合によっては、対応する元の値がゼロに近い値であっても、
ゼロから遠い推定値になる場合があり困ります。
その問題に対応する 疎な低ランク相関行列を推定する新しいアプローチを 提案しています。
biorxiv
2021年 秋学期始動
今日から秋学期が始まります。
まだまだコロナの影響を受けますが、新しい教育・研究形態を目指します。
学会などにもぼちぼち参加していきます。
covid-19
新型コロナウイルス感染症(COVID-19)が蔓延し、研究室の教育、研究環境が大きく変わりました。
さまざまな面を再考する機会となりました。
大学の研究室における研究とは、教育とはについて考えています。
ちょっと目をそむけていた学生の本音の部分などについてもこれを機に正面から向き合っています。
今はいろいろ辛い時期ですが、それを乗り越えて新しい研究室、研究、教育を推進していきたいですね。
L-MolGAN: An improved implicit generative model for large molecular graphs
L-MolGAN: An improved implicit generative model for large molecular graphs
Deep Learningで有機化合物を提案しちゃうよという、我々にとっては新しい分野へチャレンジした論文。
これからもっと大きな化合物&ほんとに生成できそうなやつを提案できるシステムの提案を目指します。
Low-Rank Approximation of Difference between Correlation Matrices Using Inner Product
日和先生 谷岡先生の共著論文が公開されました。
Low-Rank Approximation of Difference between Correlation Matrices Using Inner Product
人間関係や、脳機能ネットワーク、などなど、マトリクスに変換できる問題はたくさんあります。
しかし、そのマトリクスが巨大になると、どの要素に注目すればよいのかわかりません。
この論文では、大規模マトリクスを想定し、次元の削減を行いながら要素のクラスタリングを行う手法の提案をしています。
これにより、どの要素が重要で、かつ、どんなクラスタに分かれるかが同時にわかります。