データからの統計的学習:理論と実践

私たちの身の回りだけにとどまらず、生命科学や物質科学の研究現場においても日々多様なデータが生成され溢れるようになりました。現代の科学知識やデータの蓄積速度を考えると、いままでのように経験と勘と根性で科学的な発見を行うことが大変難しくなっています。したがって、こうした多様な大規模データを有効かつ安全に利活用できる汎用の情報処理技術基盤の確立が期待されています。こうした技術は人を模倣する「人工知能」では不十分であり、人間には不可能な知識処理──膨大な知識とデータに基づく超高速な知識情報処理──を実現しなくてはなりません。機械学習・統計科学・データマイニングはその基幹技術の一つであり、実際に様々な場面で使われるようになっています。ところが現代のデータはただ大規模なだけではなく多様で多義的で複雑です。機械学習・統計科学・データマイニングはこのようなつかみどころのないデータの集積から有効な知識を引き出すため日進月歩で深化しつづけています。

我々のグループでは、主に実問題で起こる「構造」が伴う統計的推論・探索を研究しています。例えば、生命科学のデータは単なる計測された数値組だけではなく、シーケンスやツリーやグラフや点群や多次元配列といった構造により表現される対象が増えています。あるいは、機械学習を利活用する際、どういった変量を用いれば良いのかが分からず、考えられる多様な候補からデータに照らし合わせて有効な変量を発見したいという組合せ問題の構造があります。また、ある変量と別の変量の間に複雑に絡み合った依存関係があるネットワーク状の構造制約があります。多義的で多様で文脈依存的なデータを適切に表現するため、深層学習や回帰森や隠れ変数モデルのように、機械学習モデル自体が様々に階層構造を持っている場合もあります。この「構造」が「離散構造」「組合せ」である場合、統計科学的に有効な方式を確立するだけではなく、高速で効率の良いアルゴリズム的な側面も非常に重要になります。

こうした技術的側面を丁寧に分析し、性質を理解し、改善技術に繋げていく研究だけではなく、実際に分子生物学、医学、創薬科学、ゲノム科学/遺伝学、物理化学、材料科学、社会科学の北大内外の研究者たちと連携し、実データにどれだけその技術が耐えうるか、試行錯誤しながら研究を進めています。

研究分野

  • 機械学習とその応用
  • 知識発見のためのデータマイニング手法
  • 計算生物学・バイオインフォマティクス

現在の研究トピック

  • 疎性に基づく最適な変数表現学習の統計理論
  • グラフを値に取る確率変数上の統計理論
  • ネットワーク構造を持つ変数を伴う統計学的問題
  • 有意な部分構造パターンの制約付き列挙
  • 層間調整作用を伴う多階層システムの統計的リバースエンジニアリング
  • 部分的に観測されるネットワーク上の非線形の遺伝子相互作用
  • 多対多の分子間相互作用の計算解析

最近

情報

研究業績 (英文)

[ブックチャプタ]

  • SiBIC: a tool for generating a network of biclusters captured by maximal frequent itemset mining. [doi]
    Takahashi K, duVerle D, Yotsukura S, Takigawa I, Mamitsuka H
    Data Mining for Systems Biology: Methods and Protocols, Second Edition (Methods in Molecular Biology). 2018; 95-111
  • Machine Learning Predictions of Factors Affecting the Activity of Heterogeneous Metal Catalysts. [doi]
    Takigawa I, Shimizu K, Tsuda K, Takakusagi S
    Nanoinformatics. 2018;45-64
  • A Bioinformatics Approach for Understanding Genotype–Phenotype Correlation in Breast Cancer. [doi]
    Yotsukura S, Karasuyama M, Takigawa I, Mamitsuka H
    Big Data Analytics in Genomics. 2016;397-428
  • An in silico model for interpreting polypharmacology in drug–target networks. [doi]
    Takigawa I, Tsuda K, Mamitsuka H
    In Silico Models for Drug Discovery (Methods in Molecular Biology). 2013;993:67-80
  • Identifying pathways of coordinated gene expression. [doi]
    Hancock T, Takigawa I, Mamitsuka H
    Data Mining for Systems Biology (Methods in Molecular Biology). 2013;939:69-85

[査読付き学術誌論文]

  • Toward effective utilization of methane: machine learning prediction of adsorption energies on metal alloys. [doi]
    Toyao T, Suzuki K, Kikuchi S, Takakusagi S, Shimizu K, Takigawa I.
    The Journal of Physical Chemistry C. 2018; 122(15): 8315-8326.
  • Obesity suppresses cell competition-mediated apical elimination of RasV12-transformed cells from epithelial tissues. [doi]
    Sasaki A, Nagatake T, Egami R, Gu G, Takigawa I, Ikeda W, Nakatani T, Kunisawa J and Fujita Y.
    Cell Reports. 2018; 23: 974-982.
    Press Release (Japanese)
  • Genomic copy number variation analysis in multiple system atrophy. [doi]
    Hama Y, Katsu M, Takigawa I, Yabe I, Matsushima M, Takahashi I, Katayama T, Utsumi J, Sasaki H.
    Molecular Brain. 2017; 10:54.
  • Machine learning reveals orbital interaction in materials. [doi]
    Pham T L, Kino H, Terakura K, Miyake T, Tsuda K, Takigawa I, Dam H C
    Science and Technology of Advanced Materials. 2017; 18(1): 756-765.
  • Generalized sparse learning of linear models over the complete subgraph feature set. [doi]
    Takigawa I, Mamitsuka H
    IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017; 39(3): 617-624. (supplementary file)
  • An online self-constructive normalized Gaussian network with localized forgetting. [doi]
    Backhus J, Takigawa I, Imai H, Kudo M, Sugimoto M
    IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences. 2017; E100.A (3): 865-876.
  • The impact of income disparity on vulnerability and information collection: an analysis of the 2011 Thai flood. [doi]
    Henry M, Kawasaki A, Takigawa I, Meguro K
    Journal of Flood Risk Management. 2017; 10(3): 339-348.
  • Machine-learning prediction of d-band center for metals and bimetals. [doi]
    Takigawa I, Shimizu K, Tsuda K, Takakusagi S
    RSC Advances. 2016; 6: 52587-52595.
    highlighted in the article Machine-learning accelerates catalytic trend spotting (Chemistry World)
  • Exploring phenotype patterns of breast cancer within somatic mutations: a modicum in the intrinsic code. [doi]
    Yotsukura S, Karasuyama M, Takigawa I, Mamitsuka H
    Briefings in Bioinformatics. 2016.
  • Dense core model for cohesive subgraph discovery. [doi]
    Kojaku S, Takigawa I, Kudo M, Imai H
    Social Networks. 2016; 44: 143–152.
  • Mining approximate patterns with frequent locally optimal occurrences. [doi]
    Nakamura A, Takigawa I, Tosaka H, Kudo M, Mamitsuka H
    Discrete Applied Mathematics. 2016; 200:123–152.
  • Predictions of Cleavability of Calpain Proteolysis by Quantitative Structure-Activity Relationship Analysis Using Newly Determined Cleavage Sites and Catalytic Efficiencies of an Oligopeptide Array [doi]
    Shinkai-Ouchi F, Koyama S, Ono Y, Hata S, Ojima K, Shindo M, duVerle D, Ueno M, Kitamura F, Doi N, Takigawa I, Mamitsuka H, Sorimachi H.
    Molecular & Cellular Proteomics. 2016; 15(4): 1262-80.
  • Ensemble and multiple kernel regressors: which is better? [doi]
    Tanaka A, Takebayashi H, Takigawa I, Imai H, Kudo M
    IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences. 2015; E98-A(11): 2315-2324.
  • The cell competition-based high-throughput screening identifies small compounds that promote the elimination of RasV12-transformed cells from epithelia. [doi]
    Yamaguchi H, Matsumaru T, Morita T, Ishikawa S, Maenaka K, Takigawa I, Semba K, Kon S, Fujita Y
    Scientific Report. 2015;15336.
  • MED26 regulates the transcription of snRNA genes through the recruitment of little elongation complex. [doi]
    Takahashi H, Takigawa I, Watanabe M, Anwar D, Shibata M, Tomomori-Sato C, Sato S, Ranjan A, Seidel C W, Tsukiyama T, Mizushima W, Hayashi M, Ohkawa Y, Conaway J W, Conaway R C, Hatakeyama S
    Nature Communications. 2015;6(5941).
    Press Release (Japanese)
  • Ribosomes in a stacked array: Elucidation of the step in translation elongation at which they are stalled during S-adenosyl-L-methionine-induced translation arrest of CGS1 mRNA. [doi]
    Yamashita Y, Kadokura Y, Sotta N, Fujiwara T, Takigawa I, Satake A, Onouchi H, Naito S
    Journal of Biological Chemistry. 2014;289(18):12693-704.
  • Similarity-based machine learning methods for predicting drug–target interactions: a brief review. [doi]
    H Ding, I Takigawa, H Mamitsuka, S Zhu
    Briefings in Bioinformatics. 2014;15(5):734-747 (Review Paper)
  • SiBIC: A web server for generating gene set networks based on biclusters obtained by maximal frequent itemset mining. [doi]
    Takahashi K, Takigawa I, Mamitsuka H
    PLoS One. 2013;8(12) e82890.
  • Fast algorithms for finding a minimum repetition representation of strings and trees. [doi]
    Nakamura A, Saito T, Takigawa I, Kudo M, Mamitsuka H
    Discrete Applied Mathematics. 2013;161(10-11):1556–1575
  • Graph mining: procedure, application to drug discovery and recent advances. [doi]
    Takigawa I, Mamitsuka H
    Drug Discovery Today. 2013;18(1-2):50-57 (Review Paper)
  • Identifying neighborhoods of coordinated gene expression and metabolite profiles. [doi]
    Hancock T, Wicker N, Takigawa I, Mamitsuka H
    PLoS One. 2012;7(2) e31345.
  • ROS-DET: robust detector of switching mechanisms in gene expression. [doi]
    Kayano M, Takigawa I, Shiga M, Tsuda K, Mamitsuka H
    Nucleic Acids Research. 2011;39(11): e74.
  • Mining significant substructure pairs for interpreting polypharmacology in drug-target network. [doi]
    Takigawa I, Tsuda K, Mamitsuka H
    PLoS One. 2011;6(2): e16999.
  • Efficiently mining delta-tolerance closed frequent subgraphs. [doi]
    Takigawa I, Mamitsuka H
    Machine Learning. 2011;82(2): 95-121.
  • A spectral approach to clustering numerical vectors as nodes in network. [doi]
    Shiga M, Takigawa I, Mamitsuka H
    Pattern Recognition. 2011;44(2): 236-251.
  • Mining metabolic pathways through gene expression. [doi]
    Hancock T, Takigawa I, Mamitsuka H
    Bioinformatics. 2010;26(17): 2128-2135.
  • On the performance of methods for finding a switching mechanism in gene expression. [doi]
    Kayano M, Takigawa I, Shiga M, Tsuda K, Mamitsuka H
    Genome Informatics. 2010;24: 69-83.
    (from the 10th Annual International Workshop on Bioinformatics and Systems Biology (IBSB2010), Kyoto, Japan, July 26-28, 2010)
  • Convex sets as prototypes for classifying patterns. [doi]
    Takigawa I, Kudo M, Nakamura A
    Engineering Applications of Artificial Intelligence. 2009;22(1): 101-108.
  • CaMPDB: a resource for calpain and modulatory proteolysis. [doi]
    duVerle D, Takigawa I, Ono Y, Sorimachi H, Mamitsuka H
    Genome Informatics. 2009;22: 202-214.
    (from the 9th Annual International Workshop on Bioinformatics and Systems Biology (IBSB2009), Boston, USA, July 27-29, 2009)
  • Efficiently finding genome-wide three-way gene interactions from transcript- and genotype-data. [doi]
    Kayano M, Takigawa I, Shiga M, Tsuda K, Mamitsuka H
    Bioinformatics. 2009;25(21): 2735-2743.
  • Field independent probabilistic model for clustering multi-field documents. [doi]
    Zhu S, Takigawa I, Zeng J, Mamitsuka H
    Information Processing & Management. 2009;45(5): 555-570.
  • Mining significant tree patterns in carbohydrate sugar chains. [doi]
    Hashimoto K*, Takigawa I*, Shiga M, Kanehisa M, Mamitsuka H (* equally contributed)
    Bioinformatics. 2008;24(16): i167-i173.
    (from ECCB'08 European Conference on Computational Biology, Cagliari, Italy, Sep 22-26, 2008)
  • Probabilistic path ranking based on adjacent pairwise coexpression for metabolic transcripts analysis. [doi]
    Takigawa I, Mamitsuka H
    Bioinformatics. 2008;24(2): 250-257.
  • Annotating gene function by combining expression data with a modular gene network. [doi]
    Shiga M, Takigawa I, Mamitsuka H
    Bioinformatics. 2007;23(13): i468-i478.
    (from the 15th Annual International Conference on Intelligent Systems for Molecular Biology (ISMB/ECCB 2007), Vienna, Austria, Jul 21-15, 2007)
  • Performance analysis of minimum L1-norm solutions for underdetermined source separation. [doi]
    Takigawa I, Kudo M, Toyama J
    IEEE Transactions on Signal Processing. 2004;52(3): 582-591.
  • The boosted/bagged subclass method.
    Takigawa I, Abe N, Shidara Y, Kudo M
    International Journal of Computing Anticipatory Systems. 2004;14: 311-320.
    (from the 6th International Conference on Computing Anticipatory Systems (CASYS'03), Liege, Belgium, Aug 11-16, 2003)

[査読付き国際会議論文]

  • FPGA-Based QBoost with Large-Scale Annealing Processor and Accelerated Hyperparameter Search. [doi]
    Takemoto T, Mertig N, Hayashi M, Susa-Tanaka S, Teramoto H, Nakamura A, Takigawa I, Minato S, Komatsuzaki T, Yamaoka M.
    2018 International Conference on Reconfigurable Computing and FPGAs (ReConFig 2018), Cancun, Mexico, December 3–5, 2018
  • Graph Minors from Simulated Annealing for Annealing Machines with Sparse Connectivity. [doi]
    Sugie Y, Yoshida Y, Mertig N, Takemoto T, Teramoto H, Nakamura A, Takigawa I, Minato S, Yamaoka M, Komatsuzaki T.
    The 7th International Conference on the Theory and Practice of Natural Computing (TPNC 2018), Dublin, Ireland December 12-14, 2018
  • Enumerating and Indexing Set Partitions Using Sequence BDDs. [doi]
    Takahashi S, Minato S, Takigawa I.
    2nd International Workshop on Enumeration Problems & Applications (WEPA 2018), Pisa, Italy, 5-8 November 2018
  • Jointly Learning Relevant Subgraph Patterns and Nnonlinear Models of Their Indicators. [link]
    Shirakawa R, Yokoyama Y, Okazaki F, Takigawa I.
    The 14th International Conference on Mining and Learning with Graphs (MLG 2018) (KDD'18 Workshop), London, U.K., August 20, 2018
  • Online EM for the Normalized Gaussian Network with Weight-Time-Dependent Updates. [doi]
    Backhus J, Takigawa I, Imai H, Kudo M, Sugimoto M.
    The 23rd International Conference on Neural Information Processing (ICONIP 2016) Kyoto, Japan, October 16–21, 2016
  • Reducing Redundancy with Unit Merging for Self-constructive Normalized Gaussian Networks. [doi]
    Backhus J, Takigawa I, Imai H, Kudo M, Sugimoto M.
    The 25th International Conference on Artificial Neural Networks (ICANN 2016), Barcelona Spain, September 6-9, 2016.
  • Community change detection in dynamic networks in noisy environment. [WWW15]
    Koujaku S, Kudo M, Takigawa I, Imai H
    The 6th International Workshop on Modeling Social Media - Behavioral Analytics in Social Media, Big Data and the Web (MSM 2015), Florence, Italy, May 19, 2015
  • Theoretical analyses on ensemble and multiple kernel regressors. [JMLR proc]
    Tanaka A, Takigawa I, Imai H, Kudo M
    The 6th Asian Conference on Machine Learning (ACML2014), Nha Trang, Vietnam, November 26-28, 2014
  • Analyses on generalization error of ensemble kernel regressors. [doi]
    Tanaka A, Takigawa I, Imai H, Kudo M
    Proceedings of the Joint IAPR International Workshop on Statistical, Structural, and Syntactic Pattern Recognition (S+SSPR 2014), Joensuu, Finland, August 20-22, 2014.
    Lecture Notes in Computer Science, 2014;8621: 273-281.
  • Structual change point detection for evolutional networks. [link]
    Koujaku S, Kudo M, Takigawa I, Imai H
    Proceedings of the 2013 International Conference of Computational Statistics and Data Engineering, London, UK, July 3-5, 2013.
  • Extended analyses for an optimal kernel in a class of kernels with an invariant metric. [doi]
    Tanaka A, Takigawa I, Imai H, Kudo M
    Proceedings of the Joint IAPR International Workshop on Structural, Syntactic, and Statistical Pattern Recognition (SSPR&SPR 2012), Hiroshima, Japan, November 7-9, 2012.
    Lecture Notes in Computer Science, 2012;7627: 345-353.
  • Algorithms for finding a minimum repetition representation of a string. [doi]
    Nakamura A, Saito T, Takigawa I, Mamitsuka H, Kudo M
    Proceedings of the 17th symposium on String Processing and Information Retrieval (SPIRE2010), 185-190, Los Cabos, Mexico, Oct 11-13, 2010.
  • Classification by reflective convex hulls. [doi]
    Kudo M, Nakamura A, Takigawa I
    Proceedings of the 19th International conference on pattern recognition (ICPR2008), WeAT9.3, Tampa, Florida, USA, Dec 8-11, 2008.
  • A spectral clustering approach to optimally combining numerical vectors with a modular network. [doi]
    Shiga M, Takigawa I, Mamitsuka H
    Proceedings of the Thirteenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2007), 647-656, San Jose, CA, USA, Aug 12-15, 2007.
  • A probabilistic model for clustering text documents with multiple fields. [doi]
    Zhu S, Takigawa I, Zhang S, Mamitsuka H
    the 29th European Conference on Information Retrieval (ECIR 2007), Roma, Italy, Apr 2-5, 2007.
    Lecture Notes in Computer Science, 2007;4425: 331-342.
  • Applying Gaussian distribution-dependent criteria to decision trees for high-dimensional microarray data. [doi]
    Wan R, Takigawa I, Mamitsuka H
    VLDB Workshop on Data Mining in Bioinformatics, Seoul, Korea, Sep 11, 2006.
    Lecture Notes in Computer Science, 2006;4316: 40-49.
  • The convex subclass method: combinatorial classifier based on a family of convex sets. [doi]
    Takigawa I, Kudo M, Nakamura A
    the IAPR International Conference on Machine Learning and Data Mining in Pattern Recognition (MLDM 2005), Leipzig, Germany, Jul 9-11, 2005.
    Lecture Notes in Computer Science, 2005;3587: 90-99.
  • Projection learning based kernel machine design using series of monotone increasing reproducing kernel hilbert spaces. [doi]
    Tanaka A, Takigawa I, Imai H, Kudo M, Miyakoshi M
    the 8th International Conference on Knowledge-Based Intelligent Information & Engineering Systems (KES2004), Wellington, New Zealand, Sep 20-24, 2004.
    Lecture Notes in Computer Science, 2004;3213: 1058-1064.
  • On the minimum L1-norm signal recovery in underdetermined source separation. [doi]
    Takigawa I, Kudo M, Nakamura A, Toyama J
    the 5th International Conference on Independent Component Analysis and Blind Signal Separation (ICA2004), Granada, Spain, Sep 22-24, 2004.
    Lecture Notes in Computer Science, 2004;3195: 193-200.
  • Error analysis of MAP solutions under Laplace prior in underdetermined blind source separation.
    Takigawa I, Kudo M, Toyama J, Shimbo M
    Proceedings of the Second International ICSC Symposium on Advances in Intelligent Data Analysis (AIDA'01), paper 1724-169, Bangor, U.K., June 19-22, 2001.
    (Proceedings CIMA'2001, ISBN 3-906454-26-6)
  • A modified LEGION using a spectrogram for speech segregation. [doi]
    Takigawa I, Kudo M, Toyama J, Shimbo M
    Proceedings of IEEE International Conference on Systems, Man, and Cybernetics (SMC'99), paper I 526-531, Tokyo, Japan, Oct 12-15, 1999.
    (ISBN 0-7803-5734-5, IEEE Catalog Number 99CH37028C)

[査読無しの出版物]

  • Mining patterns from glycan structures.
    Takigawa I, Hashimoto K, Shiga M, Kanehisa M, Mamitsuka H
    Proceedings of the International Beilstein Symposium on Glyco-Bioinformatics, 13-14, 2010. (Invited Talk, the International Beilstein Symposium on Glyco-Bioinformatics (Glyco-Bioinformatics2009), Potsdam, Germany, 4-8 October, 2009)
  • Combining vector-space and word-based aspect models for passage retrieval.
    Wan R, Ngoc Anh V, Takigawa I, Mamitsuka H
    Proceedings of 15th Text Retrieval Conference (TREC 2006), Gaithersburg, Maryland, Nov 14-17, 2006.
  • Subclass covering by balls for pattern classification.
    Takigawa I, Kudo M, Nakamura A
    Proceedings of The 2nd International Workshop on Ubiquitous Knowledge Network Environment, Sapporo, Japan, Mar 16-18, 2005.
  • The subclass method using adaptive sampling.
    Takigawa I, Abe N, Shidara M, Kudo M,
    Proceedings of The 1st International Workshop on Ubiquitous Knowledge Network Environment, Sapporo, Japan, Nov 25-27, 2003.

研究業績 (和文)

  • 適応的な部分グラフ指示子の探索・選択に基づく非線形グラフ分類回帰[link]
    白川 稜・横山侑政・岡崎文哉・瀧川一学
    第21回情報論的学習理論ワークショップ(IBIS 2018), D1-85, かでる2.7, 平成30年11月4日-11月7日.
  • 機械学習に基づくペプチド由来イオンピークの新規検出手法[link]
    守屋勇樹・田畑 剛・岩崎未央・河野 信・五斗 進・石濱 泰・瀧川一学・吉沢明康
    第21回情報論的学習理論ワークショップ(IBIS 2018), D1-53, かでる2.7, 平成30年11月4日-11月7日.
  • 機械学習を利用した第一原理MDトラジェクトリの自動分類 [link]
    小林正人・原渕 祐・堤 拓朗・小野ゆり子・瀧川一学・武次徹也
    日本コンピュータ化学会2018秋季年会, 弘前大学, 平成30年11月3日-11月4日.
  • SeqBDDを用いた集合分割の族の表現法と実験的評価 [link]
    髙橋翔哉・湊 真一・瀧川一学
    情報処理学会 第169回アルゴリズム研究会, 小樽商科大学, 平成30年9月3日.
  • グラフ断片決定木を用いたグラフ特徴抽出手法 [link]
    坂上陽規・瀧川一学・有村博紀
    2018年度人工知能学会全国大会(第32回), 3Pin1-10, 城山ホテル鹿児島, 平成30年6月5日-6月8日.
  • Graph of Graphsに対する二重畳み込みニューラルネットワーク [link]
    原田将之介・秋田大空・椿 真史・馬場雪乃・瀧川一学・山西芳裕・鹿島久嗣
    2018年度人工知能学会全国大会(第32回), 2A1-01, 城山ホテル鹿児島, 平成30年6月5日-6月8日.
  • グラフ分類における部分グラフ特徴集合の確率的探索 [link]
    白川 稜・岡崎文哉・瀧川一学
    人工知能学会 第105回人工知能基本問題研究会(SIG-FPAI), 石垣島大濱信泉記念館, 平成30年1月28日-29日. (人工知能学会研究会資料 B508, 12-17, 2018)
  • 部分グラフとその共起を用いたグラフ分類 [link]
    岡崎文哉・瀧川一学
    人工知能学会 第105回人工知能基本問題研究会(SIG-FPAI), 石垣島大濱信泉記念館, 平成30年1月28日-29日. (人工知能学会研究会資料 B508, 18-23, 2018)
  • 決定化されたグラフパターントライの学習アルゴリズム [link]
    坂上陽規・栗田和宏・瀧川一学・有村博紀
    人工知能学会 第105回人工知能基本問題研究会(SIG-FPAI), 石垣島大濱信泉記念館, 平成30年1月28日-29日. (人工知能学会研究会資料 B508 63-68, 2018)
  • [招待講演] 合成変量とアンサンブル:回帰森と加法モデルの要点 [link]
    瀧川一学
    電子情報通信学会 信号処理研究会(SIP), 新潟大学, 平成29年6月19日-6月20日.
  • 機械学習は化学研究の"経験と勘"を合理化できるか? [link]
    瀧川一学
    電気化学会 第33回ライラックセミナー・第23回若手研究者交流会, おたる自然の村おこばち山荘, 平成29年6月10日-6月11日.
  • 全部分グラフ指示子に基づく決定木の勾配ブースティング [link]
    横山侑政・瀧川一学
    2017年度人工知能学会全国大会(第31回), 1K1-3, ウインクあいち, 平成29年5月23日-5月26日.
  • 系列二分決定グラフを用いた頻出部分グラフの圧縮表現 [link]
    岡崎文哉・奥山葉月・瀧川一学・ 湊 真一
    2017年度人工知能学会全国大会(第31回), 4A1-1, ウインクあいち, 平成29年5月23日-5月26日.
  • 組成情報と要素特徴量の統合に基づく化学反応量の予測 [link]
    鈴木 慶介・瀧川一学・清水 研一・高草木 達
    2017年度人工知能学会全国大会(第31回), 4J1-3, ウインクあいち, 平成29年5月23日-5月26日.
  • 定量的構造活性相関予測における化合物特徴表現の実験的検証 [link]
    越野 沙耶佳・岡崎 文哉・瀧川一学
    2017年度人工知能学会全国大会(第31回), 4J1-4, ウインクあいち, 平成29年5月23日-5月26日.
  • ABS作動データを用いた分析による札幌市内の道路凍結の予測
    穐本浩昇・田中 讓・瀧川一学
    情報処理学会第79回全国大会, 3V-07, 名古屋大学, 平成29年3月16日-18日.
  • 道具としての機械学習:直感的概要とその実際 [link]
    瀧川一学
    地球流体データ解析・数値計算ワークショップ, 北海道大学, 平成29年3月9日.
  • 科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性 [link]
    瀧川一学
    第19回情報論的学習理論ワークショップ(IBIS2016), 京都大学, 平成28年11月16日-19日.
  • Wildcard許容特徴量のグラフ分類における効果の分析
    岡崎文哉・瀧川一学
    第19回情報論的学習理論ワークショップ(IBIS2016), 京都大学, 平成28年11月16日-19日.
  • 多数のグラフからの統計的機械学習 [link]
    瀧川一学
    深化する機械学習:技術の進展とその応用特集号, システム/制御/情報, Vol 60, No 3, 2016.
  • 平行移動不変な非負値行列因子分解とその分析 [link]
    鈴木慶介・今井英幸・張 若霓・瀧川一学・湊 真一
    第15回情報科学技術フォーラム(FIT2016), 富山大学, 平成28年9月7日-9日.
  • Wildcard許容頻出部分グラフパターンのグラフ分類への応用 [link]
    岡崎文哉・瀧川一学
    2016年度人工知能学会全国大会(JSAI2016), 3E4-3, 北九州国際会議場, 平成28年6月6日-9日.
  • An Online Self-constructive Locally Updated Normalized Gaussian Network with Localized Splitting [link]
    Jana Backhus・瀧川一学・今井英幸・工藤峰一・杉本雅則
    2016年度人工知能学会全国大会(JSAI2016), 3E4-3, 北九州国際会議場, 平成28年6月6日-9日.
  • 全部分グラフ指示子に基づく決定木学習 [link]
    横山侑政・瀧川一学
    人工知能学会 第99回人工知能基本問題研究会(SIG-FPAI), 湯の原ホテル, 平成28年1月21日-22日. (人工知能学会研究会資料 B502, 75-80, 2016)
  • データマイニングとしての多重標的相互作用解析 [link]
    瀧川一学
    日本薬学会 構造活性相関部会・ニュースレター SAR NEWS, No.29, 2015.
  • Wildcardを許容した頻出部分グラフマイニング [link]
    岡崎文哉・瀧川一学
    第18回情報論的学習理論ワークショップ(IBIS2015), つくば国際会議場, 平成27年11月25日-28日. (電子情報通信学会技術研究報告 115(323), 25-32, 2015)
  • データマイニングとしての多重標的相互作用解析 [link]
    瀧川一学
    CBI学会2015年大会, FS-08, in silico によるポリファーマコロジー創薬, タワーホール船堀, 平成27年10月28日.
  • メディエーター複合体による転写伸長制御 [link]
    瀧川一学
    第2回バイオインフォマティクスアゴラ, 東京工業大学 くらまえホール, 平成27年7月15日.
  • データマイニングとしての多重標的相互作用解析 [link]
    瀧川一学
    第365回CBI学会講演会, フェノタイプスクリーニング 古くて新しい創薬手法 Part2, 東京工業大学キャンパス・イノベーションセンター, 平成27年7月9日.
  • (招待講演) 多数のグラフからの統計的機械学習
    瀧川一学
    人工知能学会 第94回 人工知能基本問題研究会 (SIG-FPAI), 根室市総合文化会館, 平成26年7月24日.
  • 疎性モデリングに基づく部分グラフ特徴学習
    瀧川一学
    ERATO湊離散構造処理系プロジェクト2014年度 秋のワークショップ, 北海道礼文島ピスカ21, 平成26年9月7日〜9月10日.
  • 疎性モデリングに基づく部分グラフ特徴学習
    瀧川一学
    第17回情報論的学習理論ワークショップ(IBIS2014), 名古屋大学・名古屋工業大学, 平成26年11月16日〜11月19日.
  • 頑健な検出アルゴリズムを用いた楕円の検出精度について [link]
    原田 裕基・瀧川一学・今井 英幸
    日本計算機統計学会シンポジウム論文集, (27), 235-238, 熊本市民会館(熊本県熊本市), 平成25年11月15日.
  • DNAシーケンスからの近似頻出パターンの発見 [link]
    中村 篤祥・瀧川一学・戸坂 央・工藤峰一・馬見塚 拓
    人工知能学会 第85回 人工知能基本問題研究会 (SIG-FPAI), 下呂交流会館(岐阜県下呂市), 平成24年2月2日〜2月3日.
  • 化学とグラフアルゴリズム [link]
    瀧川一学・馬見塚 拓
    化学と教育, 2011:59 (9), 450-453.
  • 酵素遺伝子の発現情報に基づく効率的な代謝経路ランキング
    瀧川一学
    2008年度統計関連学会連合大会, 慶応義塾大学(理工学部矢上キャンパス), 平成20年9月7日~9月10日.
  • 多様なゲノムデータの統合的クラスタリング [link]
    志賀元紀・瀧川一学・馬見塚 拓
    生物物理, 2008;48 (3), 190-194.
  • Mathematicaによる機械学習とパターン認識
    瀧川一学
    日本Mathematicaユーザ会第二回ワークショップ, 甲南大学, 平成18年10月28日(土).
  • 発現プロファイルに基づく代謝経路の遺伝子系列ランキング [link]
    瀧川一学
    バイオ情報学研究会, 情報処理学会, 北海道札幌市, 北海道大学, 平成18年2月9日(木)・10日(金). (情報処理学会研究報告 2006-BIO-4, pp.1-7)
  • 最小包含球の族による被覆を用いたノンパラメトリック識別 [link]
    瀧川一学・工藤峰一
    パターン認識・メディア理解研究会(PRMU), 電子情報通信学会, 大分県湯布院町, 湯布院町中央公民館, 平成16年12月16日(木)・17日(金). (電子情報通信学会技術報告 PRMU 2004-140, pp.37-42)
  • 劣決定信号復元における最小L1ノルム系列の効率的構成 [link]
    瀧川一学・外山淳・工藤峰一
    パターン認識・メディア理解研究会(PRMU), 電子情報通信学会, 北海道札幌市, 北海道大学, 平成15年9月8日(月)・9月9日(火). (電子情報通信学会技術報告 PRMU 2003-114, pp.113-118)
  • 劣決定情報源分離におけるL1ノルム最小解の分析
    瀧川一学・外山淳・工藤峰一
    第2回 情報科学技術フォーラム Forum on Information Technology (FIT2003), 平成15年9月, 北海道江別市, 札幌学院大学, 平成15年9月10日(水)~12日(金). (情報科学技術フォーラム講演論文集 G-036)
  • 独立成分分析による音源分離と聴覚情景分析
    瀧川一学・外山淳・工藤峰一・新保勝
    第39回計測自動制御学会 学術講演会 (SICE2000), 「独立成分分析とそのパターン計測への応用」, 福岡県飯塚市, 九州工業大学, 平成12年7月26日(水)~28日(金). (情報科学技術フォーラム講演論文集 G-036)
  • スペクトログラムを入力とするLEGIONモデル
    瀧川一学・外山淳・工藤峰一・新保勝
    情報処理学会 北海道シンポジウム (InfoHokkaido'99), 北海道札幌市, 北海道大学, 平成14年5月12日(水)・13日(木).