九州大学 研究者情報
研究者情報 (研究者の方へ)入力に際してお困りですか?
基本情報 研究活動 教育活動 社会活動
河原 吉伸(かわはら よしのぶ) データ更新日:2020.01.11



主な研究テーマ
非線形力学系の作用素論的データ解析
キーワード:時系列データ、非線形力学系、機械学習、転送作用素
2016.04.
構造的事前情報を用いた機械学習
キーワード:機械学習、構造的学習、離散構造
2009.04.
機械学習における組合せ最適化
キーワード:機械学習、組合せ最適化、劣モジュラ関数
2008.04.
時系列データのための機械学習
キーワード:変化点検知、時系列予測、力学系の学習
2005.04.
研究業績
主要著書
1. 河原 吉伸, 永野 清仁 , 劣モジュラ最適化と機械学習 (機械学習プロフェッショナルシリーズ), 講談社サイエンティフィック, 2015.12.
主要原著論文
1. Keisuke Fujii, Naoya Takeishi, Benio Kibushi, Motoki Kouzaki, and Yoshinobu Kawahara, Data-driven spectral analysis for coordinative structures in periodic human locomotion, Scientific reports, 10.1038/s41598-019-53187-1, 9, 1, 2019.12, [URL].
2. K. Fujii, and Y. Kawahara, Dynamic mode decomposition in vector-valued reproducing kernel Hilbert spaces for extracting dynamical structure among observables, Neural Networks, 10.1016/j.neunet.2019.04.020, 117, 94-103, 2019.09, [URL], Understanding nonlinear dynamical systems (NLDSs) is challenging in a variety of engineering and scientific fields. Dynamic mode decomposition (DMD), which is a numerical algorithm for the spectral analysis of Koopman operators, has been attracting attention as a way of obtaining global modal descriptions of NLDSs without requiring explicit prior knowledge. However, since existing DMD algorithms are in principle formulated based on the concatenation of scalar observables, it is not directly applicable to data with dependent structures among observables, which take, for example, the form of a sequence of graphs. In this paper, we formulate Koopman spectral analysis for NLDSs with structures among observables and propose an estimation algorithm for this problem. This method can extract and visualize the underlying low-dimensional global dynamics of NLDSs with structures among observables from data, which can be useful in understanding the underlying dynamics of such NLDSs. To this end, we first formulate the problem of estimating spectra of the Koopman operator defined in vector-valued reproducing kernel Hilbert spaces, and then develop an estimation procedure for this problem by reformulating tensor-based DMD. As a special case of our method, we propose the method named as Graph DMD, which is a numerical algorithm for Koopman spectral analysis of graph dynamical systems, using a sequence of adjacency matrices. We investigate the empirical performance of our method by using synthetic and real-world data..
3. I. Ishikawa, K. Fujii, M. Ikeda, Y. Hashimoto, and Y. Kawahara, Metric on nonlinear dynamical systems with Perron-Frobenius operators, Advances in Neural Information Processing Systems 31 (Proc. of NeurIPS'18), 2856-2866, 2018.12, [URL].
4. K. Fujii, T. Kawasaki, Y. Inaba, and Y. Kawahara, Prediction and classification in equation-free collective motion dynamics, PLoS Computational Biology, 10.1371/journal.pcbi.1006545, 14, 11, e1006545, 2018.11, [URL].
5. N. Takeishi, Y. Kawahara, and T. Yairi, Learning Koopman invariant subspaces for dynamic mode decomposition, Advances in Neural Information Processing Systems 30 (Proc. of NIPS'17), 1131-1141, 2017.12, [URL].
6. H. Wang, Y. Kawahara, C. Weng, and J. Yuan, Representative Selection with Structured Sparsity, Pattern Recognition, 10.1016/j.patcog.2016.10.014, 63, 268-278, 2017.03, [URL].
7. Y. Kawahara, Dynamic Mode Decomposition with Reproducing Kernels for Koopman Spectral Analysis, Advances in Neural Information Processing Systems 29 (Proc. of NIPS'16), 911-919, 2016.12, [URL].
8. B. Xin, Y. Kawahara, Y. Wang, L. Hu, and W. Gao, Efficient generalized fused lasso and its applications, ACM Transactions on Intelligent Systems and Technology, 10.1145/2847421, 7, 4, 2016.05, [URL].
9. Y. Kawahara, and M. Sugiyama, Sequential change-point detection based on direct density-ratio estimation, Statistical Analysis and Data Mining, 10.1002/sam.10124, 5, 2, 114-127, 2012.04, [URL].
10. Y. Kawahara, K. Nagano, K. Tsuda, and J.A. Bilmes, Submodularity cuts and applications, Advances in Neural Information Processing Systems 22 (Proc. of NIPS'09), 916-924, 2009.12, [URL].
学会活動
学会誌・雑誌・著書の編集への参加状況
2017.01, Neural Networks, 国際, 編集委員.
2019.07, International Journal of Mathematics for Industrial, 国際, 編集委員.
研究資金
科学研究費補助金の採択状況(文部科学省、日本学術振興会)
2019年度~2023年度, 基盤研究(B), 分担, 大規模データの特徴抽出と再利用に基づくサービス最適割当アルゴリズムの開発.
2019年度~2021年度, 基盤研究(C), 分担, テキストベースの深層学習における分類パターンの解釈支援.
2018年度~2022年度, 基盤研究(B), 代表, データからの潜在ダイナミクス抽出のための統計的機械学習とその応用.
競争的資金(受託研究を含む)の採択状況
2019年度~2025年度, 戦略的創造研究推進事業 (文部科学省), 代表, CREST「数学・数理科学と情報科学の連携・融合による情報活用基盤の創出と社会課題解決に向けた展開」領域,「作用素論的データ解析に基づく複雑ダイナミクス計算基盤の創出」(課題名).

九大関連コンテンツ

pure2017年10月2日から、「九州大学研究者情報」を補完するデータベースとして、Elsevier社の「Pure」による研究業績の公開を開始しました。
 
 
九州大学知的財産本部「九州大学Seeds集」