【中止】スパース推定法による統計モデリング入門 ～基礎から多変量時系列解析までを習得～

スパース推定の基礎をできるだけわかりやすくお話します。さらに、多変量解析や多変量時系列解析におけるスパース推定の最新の研究内容についても解説します。

セミナー講師

 廣瀬 慧 先生   九州大学 マス・フォア・インダストリ研究所 教授 博士（機能数理学）

■ご経歴
大阪大学大学院基礎工学研究科　助教（2011年4月～2016年3月）
九州大学・マス・フォア・インダストリ研究所　准教授（2016年4月～）
九州大学・マス・フォア・インダストリ研究所　教授（2022年10月～）
■ご専門・得意分野
統計科学
■本テーマ関連の学会・協会等での委員会活動など
日本統計学会、日本計算機統計学会、応用統計学会

セミナー受講料

【オンラインセミナー（見逃し視聴なし）】：1名47,300円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき36,300円

【オンラインセミナー（見逃し視聴あり）】：1名52,800円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき41,800円

＊学校法人割引；学生、教員のご参加は受講料50％割引。

受講について

※本講座は、お手許のPCやタブレット等で受講できるオンラインセミナーです。

配布資料・講師への質問等について

• 配布資料はPDF等のデータで送付予定です。受取方法はメールでご案内致します。
  （開催1週前～前日までには送付致します）。
  ※準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。
  （土、日、祝日は営業日としてカウント致しません。）
• 当日、可能な範囲で質疑応答も対応致します。
  （全ての質問にお答えできない可能性もございますので、予めご容赦ください。）
• 本講座で使用する資料や配信動画は著作物であり、
  無断での録音・録画・複写・転載・配布・上映・販売等を禁止致します。

下記ご確認の上、お申込み下さい

• PCもしくはタブレット・スマートフォンとネットワーク環境をご準備下さい。
• ご受講にあたり、環境の確認をお願いしております（20Mbps以上の回線をご用意下さい）。
  各ご利用ツール別の動作確認の上、お申し込み下さい。
• 開催が近くなりましたら、当日の流れ及び視聴用のURL等をメールにてご連絡致します。

Zoomを使用したオンラインセミナーとなります

• ご受講にあたり、環境の確認をお願いしております。
  お手数ですが下記公式サイトからZoomが問題なく使えるかどうか、ご確認下さい。
  → 確認はこちら
  ※Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomでカメラ・マイクが使えない事があります。お手数ですがこれらのツールはいったん閉じてお試し下さい。
• Zoomアプリのインストール、Zoomへのサインアップをせずブラウザからの参加も可能です。
  ※一部のブラウザは音声（音声参加ができない）が聞こえない場合があります。
  　必ずテストサイトからチェック下さい。
  　対応ブラウザーについて(公式) ;
  　「コンピューターのオーディオに参加」に対応してないものは音声が聞こえません。

申込み時に（見逃し視聴有り）を選択された方は、見逃し視聴が可能です

• 開催5営業日以内に録画動画の配信を行います（一部、編集加工します）。
• 視聴可能期間は配信開始から1週間です。
  セミナーを復習したい方、当日の受講が難しい方、期間内であれば動画を何度も視聴できます。
  尚、閲覧用のURLはメールにてご連絡致します。
  ※万一、見逃し視聴の提供ができなくなった場合、
  （見逃し視聴有り）の方の受講料は（見逃し視聴無し）の受講料に準じますので、ご了承下さい。
  →こちらから問題なく視聴できるかご確認下さい（テスト視聴動画へ）パスワード「123456」

セミナー趣旨

  スパース推定は、回帰モデルの変数選択で用いられる手法で、変数の数が大きい場合においても高速にパラメータを推定する手法として広く用いられるようになりました。この講座では、スパース推定の入門的な内容から、多変量解析や多変量時系列解析におけるスパース推定の発展的な内容まで、幅広い内容をできるだけわかりやすくお話します。
  第１部では回帰分析の復習と最小二乗法の問題点について述べます．
  第２部ではスパース推定であるLassoを解説します。また、アルゴリズム及び推定量の性質について述べます。実際にlassoがどのような場合にうまくいくのかなど、実務においてお役に立てる内容になるかと思います。
  第３部ではガウシアングラフィカルモデルでのスパース推定について述べます。この手法は、変数間の条件付き独立性を調べることでネットワークを推定するというものです。ガウシアングラフィカルモデルは、遺伝子ネットワークの推定によく用いられますが、物性予測等の産業統計にも用いられます。
  第４部ではスパース主成分分析とスパース因子分析について述べます。因子分析と主成分分析は、類似している部分もあれば異なる点もあります。この「異なる点」が、スパース推定ではより顕著に出てきます。本内容は講演者自身の研究を含むため、多少マニアックな部分を含むかもしれませんが、様々な例を交えてできるだけわかりやすく話します。また、ソフトウェアRを使った解析例も紹介します。
  第５部では、スパース多変量時系列解析について述べます。多変量時系列解析は、複数の時系列間の関係性（たとえば相関関係）を活用して予測精度を向上させる手法です。多変量時系列解析の基本的な手法としてVAR（ベクトル自己回帰モデル）がありますが、次元が増えるとパラメータ数が膨大になります。そこで、スパース推定が使われますが、通常のLassoではなく、時系列に特化した正則化項が有効になります。そこで、様々な正則化項について紹介します。また、スパース推定を用いた時系列の構造変化の推定についても述べます。

習得できる知識

・スパース推定を用いた回帰モデルの推定ができるようになる。
・スパース推定のアルゴリズムと推定量の性質について理解することができる。
・ガウシアングラフィカルモデルのスパース推定ができるようになる。
・スパース主成分分析とスパース因子分析の概要及びその違いを理解できるようになる。
・スパース推定を用いた多変量時系列解析を理解できるようになる。

セミナープログラム

1.回帰モデルの復習
　1.1　最小二乗法によるパラメータの推定
　1.2　推定量の分散について
　1.3　予測誤差の計算
　1.4　モデル選択の必要性
2.Lasso
　2.1　Lassoとは
　2.2　推定アルゴリズム：計画行列が直交している場合
　2.3　推定アルゴリズム：計画行列が直交していない場合
　2.4　一般の予測二乗誤差の評価
　2.5　高次元データにLassoを適用したときの予測二乗誤差の評価
3.Graphical Lasso
　3.1　ガウシアングラフィカルモデルについて
　3.2　なぜスパース推定が必要なのか
　3.3　Graphical lasso
　3.4　推定値を計算するアルゴリズム
　3.5　Rによる実装
4.スパース主成分分析とスパース因子分析
　4.1　次元圧縮の２つの手法：主成分分析と因子分析
　4.2　スパース主成分分析
　4.3　スパース因子分析
　4.4　スパース主成分分析とスパース因子分析の比較
　4.5　Rによる実装
5.スパース多変量時系列解析
　5.1　多変量時系列解析
　5.2　スパース推定を用いたVARのパラメータ推定
　5.3　スパース推定を用いた構造変化の推定
　5.4　一般化LassoとLassoの関係性
（質疑応答）