Updated on 2024/02/02

写真a

 
Takagishi Mariko
 
Organization
Faculty of Environmental, Life, Natural Science and Technology Lecturer
Position
Lecturer
External link

Degree

  • 文化情報学 ( 2019.9   同志社大学 )

Education

  • Doshisha University   大学院文化情報学研究科  

    2013.4 - 2019.1

    　 More details

  • Doshisha University   社会学部   教育文化学科

    2008.4 - 2013.3

    　 More details

Research History

  • Okayama University   学術研究院環境生命科学学域（工学部 数理データサイエンスコース 兼担）   Lecturer

    2022.4

    　 More details

  • Osaka University   Graduate School of Engineering Science   Project Assistant Professor

    2020.2 - 2022.3

    　 More details

  • Osaka University   Graduate School of Engineering Science

    2019.2 - 2020.1

    　 More details

  • Doshisha University   Graduate of Culture and Information Science

    2017.4 - 2019.1

    　 More details

 

Papers

Research Projects

  • データの層別に有用な外部情報を視覚的に把握するための統計手法の開発

    Grant number：20K19755  2020.04 - 2023.03

    Japan Society for the Promotion of Science  Grants-in-Aid for Scientific Research Grant-in-Aid for Early-Career Scientists  Grant-in-Aid for Early-Career Scientists

    高岸 茉莉子

    　 More details

    Grant amount：\3770000 （ Direct expense: \2900000 、 Indirect expense：\870000 ）

    一般にデータ分析を行う際，対象をクラス分け(層別)した上でメイン変量群の解釈を行うことは有益である.例えばマーケティング調査データから顧客のtargetingを行う際も，「全対象は商品A(の購入意向が高い)」という情報より，「男性は商品Aだが，若者は商品B」，あるいは「男性かつ一人暮らしは商品A」といった情報の方が，実務上意義があると考えられる.本研究はこのようにメイン変量群と外部変量群（クラス分けに用いる変量）の関連を視覚的に把握するための手法開発を行う.ここで本研究では外部情報として性別，国籍などのクラス情報を表すカテゴリカル変量を想定する.まず上記目的を達成する単純な方法として，対象の座標をクラス（あるいはクラスの組み合わせ）ごとに平均をとり，それを 1つの座標点とする方法が考えられる.しかしこの方法ではクラス内の大多数の人が同じ傾向を持つ場合は，その傾向は視覚的にも解釈しやすい場合が多いが， 例えば大多数が似た傾向を持っている中，一部少人数の異なる傾向を持つ部分集団がいた場合，その集団の特定は難しくなる.そこで本研究ではまず，上記のように外部情報クラス内で複数の異なる傾向がある場合に，外部情報クラスごとに複数のクラスターを抽出し，それら全てを共通の低次元空間上に同時布置することで，少数グループの傾向でも視覚的に把握しやすいようにした.これにより，例え少人数のみが持つ傾向であっても，関連の強さの情報が保たれ，視覚化結果にも反映されやすくなる.また異なる外部情報クラスのクラスターを全て同じ空間上に布置することで，外部情報として複数の変量を用いることも可能となり，更に 異なる外部情報クラス間の関係も視覚的に解釈できる.

    researchmap

  • 係留寸描法を用いた回答バイアス補正のための統計モデルの開発

    Grant number：19K23382  2019.08 - 2021.03

    Japan Society for the Promotion of Science  Grants-in-Aid for Scientific Research Grant-in-Aid for Research Activity start-up  Grant-in-Aid for Research Activity start-up

    高岸 茉莉子

    　 More details

    Grant amount：\2340000 （ Direct expense: \1800000 、 Indirect expense：\540000 ）

    researchmap

  • 関数データ解析法に基づくノイズの多い生体情報データへのレジストレーション法の開発

    Grant number：17J06200  2017.04 - 2019.03

    Japan Society for the Promotion of Science  Grants-in-Aid for Scientific Research Grant-in-Aid for JSPS Fellows  Grant-in-Aid for JSPS Fellows

    高岸 茉莉子

    　 More details

    Grant amount：\1900000 （ Direct expense: \1900000 ）

    本研究では関数データ解析におけるレジストレーション法を拡張して，関数データの形の特徴を量的に評価するアプローチの開発を目的としている．2018年度の研究は大きく2種類に分けられる．
    1つめはノイズの多いデータが与えられた場合の，関数データ解析法に基づくレジストレーション法の開発である．具体的には，平均とは大きく異なるような形を持つ関数（外れ関数）に悪影響を受けないように平均の形を推定（ロバスト推定）し，かつとりわけ大きく異なる形を持つ外れ関数を特定するための，レジストレーション法を開発した．この研究の特徴としては，「形」を定量化するために，関数のデータを「強度差（垂直軸方向の違い）」，「位相差（平行軸方向の違い）」をそれぞれ定量化した指標に分解したことである．これにより，関数の形の「強度」，「位相」を単独で量的に評価することが可能になった．更に各指標にt分布を仮定したことで，それぞれの要素に外れ値があった場合でもロバストに平均の形を推定できるようにした．また各指標の平均からの距離を計算することで，形が平均関数から大きく離れた関数の検知を可能にした．また本手法を心電図データに実際に適用し，実用性を示した．これらの結果をまとめた論文を投稿し，年度末に出版された．
    もう1つの研究としては，2017年度の続きである，関数データ解析法に基づく，回答傾向の補正と，その補正された回答に基づくクラスタリングを行う手法の開発である．これも年度末にアクセプトを得て，年度明けに出版される．更に2018年度はこれを更に一般化させた手法を提案し，2件の学会発表を行った．

    researchmap

 

Class subject in charge

  • Programming Language A-2 （2023academic year） Second semester  - 水3～4

  • Basic Bayesian Statistics （2023academic year） Fourth semester  - 火3～4,金3～4

  • Mathematical Programming 1 （2023academic year） 1st semester  - 水3～4

  • Mathematical Programming 2 （2023academic year） Second semester  - 水3～4

  • Introduction to Machine Learning （2023academic year） 1st semester  - 火7～8,金1～2

  • Topics in Machine Learning （2023academic year） Prophase  - 火3～4

  • Topics in Statistical Modeling for Environmental Science A （2023academic year） Summer concentration  - その他

  • Environmental Science of Statistics II-1 （2023academic year） 1st semester  - 火7,金1

  • Environmental Science of Statistics II-2 （2023academic year） 1st semester  - 火8,金2

  • Environmental Science of Statistics I-1 （2023academic year） Fourth semester  - 火3,金3

  • Environmental Science of Statistics I-2 （2023academic year） Fourth semester  - 火4,金4

  • Seminar on Statistical Analysis for Environmental Studies （2023academic year） Prophase  - その他

  • Seminar on Statistical Analysis for Environmental Studies （2023academic year） Late  - その他

  • Seminar in Statistical Data Analysis A （2023academic year） Year-round  - その他

  • Seminar in Statistical Data Analysis A （2023academic year） Year-round  - その他

  • Seminar in Statistical Data Analysis B （2023academic year） Year-round  - その他

  • Seminar in Statistical Data Analysis B （2023academic year） Year-round  - その他

  • Advanced Seminar in Statistical Data Analysis （2023academic year） Year-round  - その他

  • Advanced Statistical Data Analysis （2023academic year） Prophase  - その他

  • Advanced Statistical Data Analysis （2023academic year） Late  - その他

  • Topics in Statistical Data Analysis A （2023academic year） Summer concentration  - その他

  • Programming Language A-1 （2022academic year） 1st semester  - 水1～2

  • Programming Language A-2 （2022academic year） Second semester  - 水1～2

  • Biostatistics （2022academic year） Prophase  - 火3～4

  • Mathematical Programming 1 （2022academic year） 1st semester  - 水1～2

  • Mathematical Programming 2 （2022academic year） Second semester  - 水1～2

  • Environmental Science of Statistics II-1 （2022academic year） Third semester  - 金3～4

  • Environmental Science of Statistics II-2 （2022academic year） Fourth semester  - 金3～4

  • Seminar on Statistical Analysis for Environmental Studies （2022academic year） Prophase  - その他

  • Seminar on Statistical Analysis for Environmental Studies （2022academic year） Late  - その他

  • Advanced Statistical Data Analysis （2022academic year） Late  - その他

  • Basic Statistics for Natural and Life Sciences （2022academic year） Fourth semester  - 月5～6

  • Linear Algebra （2022academic year） 1st and 2nd semester  - 金5～6

  • Linear Algebra （2022academic year） 1st and 2nd semester  - 金5～6

  • Linear Algebra 1 （2022academic year） 1st semester  - 金5～6

  • Linear Algebra 2 （2022academic year） Second semester  - 金5～6

  • Linear Algebra I （2022academic year） 1st and 2nd semester  - 金5～6

▼display all