2022/10/01 更新

写真a

ナカハラ ユウタ
中原 悠太
所属
附属機関・学校 データ科学センター
職名
講師(任期付)

兼担

  • 附属機関・学校   グローバルエデュケーションセンター

学歴

  • 2016年04月
    -
    2019年03月

    早稲田大学   大学院基幹理工学研究科   数学応用数理専攻  

    博士課程

  • 2014年04月
    -
    2016年03月

    早稲田大学   大学院基幹理工学研究科   数学応用数理専攻  

    修士課程

  • 2010年04月
    -
    2014年03月

    早稲田大学   基幹理工学部   応用数理学科  

  • 2007年04月
    -
    2010年03月

    早稲田大学   高等学院  

経歴

  • 2019年04月
    -
    継続中

    早稲田大学   データ科学センター   講師(任期付)

  • 2015年04月
    -
    2018年03月

    早稲田大学   高等学院   数学科 非常勤講師

所属学協会

  • 2022年05月
    -
    継続中

    電子情報通信学会

 

研究分野

  • 通信工学

  • 統計科学

研究キーワード

  • 画像符号化

  • 機械学習

  • データサイエンス

  • 無歪み画像圧縮

  • 誤り訂正符号

  • 情報理論

▼全件表示

論文

  • Two-dimensional Autoregressive Model with Time-varying Parameters and the Bayes Codes

    Yuta Nakahara, Toshiyasu Matsushima

    2022 International Symposium on Information Theory and Its Applications(採録決定)    2022年10月  [査読有り]

    担当区分:筆頭著者, 責任著者

  • Bayes Optimal Estimation and Its Approximation Algorithm for Difference with and without Treatment under URLC Model

    Taisuke Ishiwatari, Shota Saito, Yuta Nakahara, Yuji Iikubo, Toshiyasu Matsushima

    2022 International Symposium on Information Theory and Its Applications(採録決定)    2022年10月  [査読有り]

  • Stochastic Model of Block Segmentation Based on Improper Quadtree and Optimal Code under the Bayes Criterion

    Yuta Nakahara, Toshiyasu Matsushima

    Entropy   24 ( 8 ) 1152 - 1152  2022年08月  [査読有り]

    担当区分:筆頭著者, 責任著者

    DOI

  • Probability Distribution on Rooted Trees

    Yuta Nakahara, Shota Saito, Akira Kamatsuka, Toshiyasu Matsushima

    2022 IEEE International Symposium on Information Theory (ISIT)     174 - 179  2022年06月  [査読有り]

    担当区分:筆頭著者, 責任著者

    DOI

  • Stochastic Model of Block Segmentation Based on Improper Quadtree and Optimal Code under the Bayes Criterion

    Yuta Nakahara, Toshiyasu Matsushima

    2022 Data Compression Conference (DCC)    2022年03月  [査読有り]

    担当区分:筆頭著者, 責任著者

    DOI

  • The Ratio of the Desired Parameters of Deep Neural Networks

    Yasushi ESAKI, Yuta NAKAHARA, Toshiyasu MATSUSHIMA

    IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences   E105.A ( 3 ) 433 - 435  2022年03月  [査読有り]

    DOI

  • Probability Distribution on Full Rooted Trees

    Yuta Nakahara, Shota Saito, Akira Kamatsuka, Toshiyasu Matsushima

    Entropy   24 ( 3 ) 328 - 328  2022年02月  [査読有り]

    担当区分:筆頭著者, 責任著者

    DOI

  • Hyperparameter Learning of Stochastic Image Generative Models with Bayesian Hierarchical Modeling and Its Effect on Lossless Image Coding

    Yuta Nakahara, Toshiyasu Matsushima

    2021 IEEE Information Theory Workshop (ITW)     1 - 6  2021年10月  [査読有り]

    担当区分:筆頭著者, 責任著者

    DOI

  • Cluster’s Number Free Bayes Prediction of General Framework on Mixture of Regression Models

    Haruka Murayama, Shota Saito, Yuji Iikubo, Yuta Nakahara, Toshiyasu Matsushima

    Journal of Statistical Theory and Applications   20 ( 3 ) 425 - 449  2021年09月  [査読有り]

     概要を見る

    <title>Abstract</title>Prediction based on a single linear regression model is one of the most common way in various field of studies. It enables us to understand the structure of data, but might not be suitable to express the data whose structure is complex. To express the structure of data more accurately, we make assumption that the data can be divided in clusters, and has a linear regression model in each cluster. In this case, we can assume that each explanatory variable has their own role; explaining the assignment to the clusters, explaining the regression to the target variable, or being both of them. Introducing probabilistic structure to the data generating process, we derive the optimal prediction under Bayes criterion and the algorithm which calculates it sub-optimally with variational inference method. One of the advantages of our algorithm is that it automatically weights the probabilities of being each number of clusters in the process of the algorithm, therefore it solves the concern about selection of the number of clusters. Some experiments are performed on both synthetic and real data to demonstrate the above advantages and to discover some behaviors and tendencies of the algorithm.

    DOI

  • A Stochastic Model for Block Segmentation of Images Based on the Quadtree and the Bayes Code for It

    Yuta Nakahara, Toshiyasu Matsushima

    Entropy   23 ( 8 ) 991 - 991  2021年07月  [査読有り]

    担当区分:筆頭著者, 責任著者

     概要を見る

    In information theory, lossless compression of general data is based on an explicit assumption of a stochastic generative model on target data. However, in lossless image compression, researchers have mainly focused on the coding procedure that outputs the coded sequence from the input image, and the assumption of the stochastic generative model is implicit. In these studies, there is a difficulty in discussing the difference between the expected code length and the entropy of the stochastic generative model. We solve this difficulty for a class of images, in which they have non-stationarity among segments. In this paper, we propose a novel stochastic generative model of images by redefining the implicit stochastic generative model in a previous coding procedure. Our model is based on the quadtree so that it effectively represents the variable block size segmentation of images. Then, we construct the Bayes code optimal for the proposed stochastic generative model. It requires the summation of all possible quadtrees weighted by their posterior. In general, its computational cost increases exponentially for the image size. However, we introduce an efficient algorithm to calculate it in the polynomial order of the image size without loss of optimality. As a result, the derived algorithm has a better average coding rate than that of JBIG.

    DOI

  • Meta-Tree Random Forest: Probabilistic Data-Generative Model and Bayes Optimal Prediction

    Nao Dobashi, Shota Saito, Yuta Nakahara, Toshiyasu Matsushima

    Entropy   23 ( 6 ) 768 - 768  2021年06月  [査読有り]

     概要を見る

    This paper deals with a prediction problem of a new targeting variable corresponding to a new explanatory variable given a training dataset. To predict the targeting variable, we consider a model tree, which is used to represent a conditional probabilistic structure of a targeting variable given an explanatory variable, and discuss statistical optimality for prediction based on the Bayes decision theory. The optimal prediction based on the Bayes decision theory is given by weighting all the model trees in the model tree candidate set, where the model tree candidate set is a set of model trees in which the true model tree is assumed to be included. Because the number of all the model trees in the model tree candidate set increases exponentially according to the maximum depth of model trees, the computational complexity of weighting them increases exponentially according to the maximum depth of model trees. To solve this issue, we introduce a notion of meta-tree and propose an algorithm called MTRF (Meta-Tree Random Forest) by using multiple meta-trees. Theoretical and experimental analyses of the MTRF show the superiority of the MTRF to previous decision tree-based algorithms.

    DOI

  • Analysis of Decoding Error Probability of Spatially ``Mt. Fuji'' Coupled LDPC Codes in Waterfall Region of the BEC

    Yuta Nakahara, Toshiyasu Matsushima

    IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences   E103-A ( 12 ) 1337 - 1346  2020年12月  [査読有り]

    担当区分:筆頭著者, 責任著者

    DOI

  • Theoretical Analysis of the Advantage of Deepening Neural Networks

    Yasushi Esaki, Yuta Nakahara, Toshiyasu Matsushima

    19th IEEE International Conference on Machine Learning and Applications     479 - 484  2020年12月  [査読有り]

  • Autoregressive Image Generative Models with Normal and t-distributed Noise and the Bayes Codes for Them

    Yuta Nakahara, Toshiyasu Matsushima

    2020 International Symposium on Information Theory and Its Applications     81 - 85  2020年10月  [査読有り]

    担当区分:筆頭著者, 責任著者

  • Bayes code for two-dimensional auto-regressive hidden Markov model and its application to lossless image compression

    Yuta Nakahara, Toshiyasu Matsushima

    International Workshop on Advanced Imaging Technology (IWAIT) 2020   11515   330 - 335  2020年06月  [査読有り]

    担当区分:筆頭著者, 責任著者

    DOI

  • A Stochastic Model of Block Segmentation Based on the Quadtree and the Bayes Code for It

    Yuta Nakahara, Toshiyasu Matsushima

    2020 Data Compression Conference (DCC)     293 - 302  2020年03月  [査読有り]

    担当区分:筆頭著者, 責任著者

    DOI

  • Covariance Evolution for Spatially "Mt. Fuji" Coupled LDPC Codes

    Yuta Nakahara, Toshiyasu Matsushima

    2019 IEEE Information Theory Workshop (ITW)     1 - 5  2019年08月  [査読有り]

    担当区分:筆頭著者, 責任著者

     概要を見る

    A spatially `Mt. Fuji&#039; coupled low-density parity check ensemble is a<br />
    modified version of the original spatially coupled low-density parity check<br />
    ensemble. It is known that it has almost the same decoding error probability as<br />
    and requires less number of iterations than the original ensemble in the<br />
    waterfall region if we appropriately choose a parameter $\alpha$. In previous<br />
    studies, a system of differential equations called covariance evolution is<br />
    derived to analyze the waterfall performance of the original ensemble. In this<br />
    paper, we modify it for the spatially `Mt. Fuji&#039; coupled low-density parity<br />
    check ensemble. Then, we analyze the waterfall performance.

    DOI

  • A Study on Generalization of Spatially Coupled LDPC Codes

    Yuta Nakahara

    Waseda University    2019年03月  [査読有り]

    担当区分:筆頭著者, 最終著者, 責任著者

  • A Note on Weight Distributions of Spatially “Mt. Fuji” Coupled LDPC Codes

    Yuta NAKAHARA, Toshiyasu MATSUSHIMA

    IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences   E101.A ( 12 ) 2194 - 2198  2018年12月  [査読有り]

    担当区分:筆頭著者, 責任著者

    DOI

  • Spatially "Mt. Fuji" Coupled LDPC Codes

    NAKAHARA Yuta, SAITO Shota, MATSUSHIMA Toshiyasu

    IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences   E100.A ( 12 ) 2594 - 2606  2017年12月  [査読有り]

    担当区分:筆頭著者, 責任著者

     概要を見る

    <p>A new type of spatially coupled low density parity check (SCLDPC) code is proposed. This code has two benefits. (1) This code requires less number of iterations to correct the erasures occurring through the binary erasure channel in the waterfall region than that of the usual SCLDPC code. (2) This code has lower error floor than that of the usual SCLDPC code. Proposed code is constructed as a coupled chain of the underlying LDPC codes whose code lengths exponentially increase as the position where the codes exist is close to the middle of the chain. We call our code spatially "Mt. Fuji" coupled LDPC (SFCLDPC) code because the shape of the graph representing the code lengths of underlying LDPC codes at each position looks like Mt. Fuji. By this structure, when the proposed SFCLDPC code and the original SCLDPC code are constructed with the same code rate and the same code length, L (the number of the underlying LDPC codes) of the proposed SFCLDPC code becomes smaller and M (the code lengths of the underlying LDPC codes) of the proposed SFCLDPC code becomes larger than those of the SCLDPC code. These properties of L and M enables the above reduction of the number of iterations and the bit error rate in the error floor region, which are confirmed by the density evolution and computer simulations.</p>

    DOI CiNii

  • Spatially "Mt. Fuji" coupled LDPC codes.

    Yuta Nakahara, Shota Saito, Toshiyasu Matsushima

    2016 International Symposium on Information Theory and Its Applications     201 - 205  2016年10月  [査読有り]

    担当区分:筆頭著者, 責任著者

▼全件表示

書籍等出版物

  • データ科学入門I: データに基づく意思決定の基礎

    松嶋敏泰, 須子統太, 小林学, 野村亮, 安田豪毅, 堀井俊佑, 鎌塚明, 中原悠太( 担当: 共著)

    サイエンス社  2022年04月 ISBN: 9784781915401

Works(作品等)

  • BayesML

    中原悠太, 一條尚希, 島田航志, 田島慶斗, 堀之内 康平, 阮魯玉, 行谷昇, 馬庭良太, 石渡泰祐, 于文斌, 飯窪祐二, 齋藤翔太, 風間皐希, 松嶋敏泰  ソフトウェア 

    2022年05月
    -
    継続中

     概要を見る

    ベイズ統計学,ベイズ決定理論に基づく機械学習ライブラリ

受賞

  • 基幹理工学部長賞 最優秀賞

    2014年03月   早稲田大学  

共同研究・競争的資金等の研究課題

  • 無歪み画像圧縮のための画像生成確率モデルの機械学習への活用(基本モデルの並列化)

    早稲田大学  特定課題研究助成費

    研究期間:

    2022年04月
    -
    2023年05月
     

  • データ科学の応用による生成確率モデル構築に基づく情報理論的に最適な無歪み画像圧縮

    早稲田大学  特定課題研究助成費

    研究期間:

    2021年04月
    -
    2022年03月
     

  • 理論限界に迫る次世代無歪み画像圧縮のための機械学習型確率モデルの構築

    早稲田大学  特定課題研究助成費

    研究期間:

    2020年07月
    -
    2021年03月
     

  • 理論保証付き画像処理に資する画像生成確率モデルの構築と無歪み圧縮による統一的評価

    早稲田大学  特定課題研究助成費

    研究期間:

    2020年06月
    -
    2021年03月
     

  • 無歪み画像圧縮に適した画像生成確率モデルの構築

    早稲田大学  特定課題研究助成費

    研究期間:

    2019年10月
    -
    2020年03月
     

講演・口頭発表等

  • ベイズ決定理論に基づく機械学習ライブラリ:BayesML 0.1.0

    中原 悠太, 一條 尚希, 島田 航志, 飯窪 祐二, 齋藤 翔太, 風間 皐希, 松嶋 敏泰, BayesML Code Authors

    2022年度統計関連学会連合大会  

    発表年月: 2022年09月

    開催年月:
    2022年09月
     
     
  • 開始終了間隔の回帰モデル化に基づく開始時点が異なる複数対象の単位期間内終了件数の予測

    香山 渉, 中原 悠太, 風間 皐希, 島田 航志, 小坂 奏平, 藤田 剛, 松嶋 敏泰

    2022年度統計関連学会連合大会  

    発表年月: 2022年09月

    開催年月:
    2022年09月
     
     
  • 非線形なモデルの回帰・分類3(決定木),4(集団学習)

    中原悠太

    早稲田大学データ科学連続セミナーシリーズ「Pythonで学ぶデータサイエンス入門」第8回  

    発表年月: 2022年07月

    開催年月:
    2022年07月
     
     
  • 時点毎に異なるパラメータを有する平面的自己回帰モデルとベイズ符号に関する一考察

    中原悠太, 松嶋敏泰

    電子情報通信学会 情報理論研究会  

    発表年月: 2022年05月

    開催年月:
    2022年05月
     
     
  • 潜在的分岐変数を持つ木構造からなる生成モデルと変分ベイズ法による近似推論

    一條尚希, 中原悠太, 齋藤翔太, 松嶋敏泰

    電子情報通信学会 情報論的学習理論と機械学習研究会  

    発表年月: 2022年03月

    開催年月:
    2022年03月
     
     
  • 銀行データを活用するための産学連携研究プラットフォームの構築

    小林学, 中原悠太, 佐藤絵里子, 高谷親信, 塚本好宏

    情報処理学会83回全国大会  

    発表年月: 2022年03月

    開催年月:
    2022年03月
     
     
  • 決定木モデルに対するベイズ最適な予測のメタツリーブースティング法による近似

    于文斌, 風間皐希, 中原悠太, 一條尚希, 齋藤翔太, 松嶋敏泰

    電子情報通信学会 情報理論研究会  

    発表年月: 2022年01月

    開催年月:
    2022年01月
     
     
  • 一般化線形モデル ―その分析,線形で大丈夫ですか?―

    中原悠太

    早稲田大学データ科学オンラインセミナー  

    発表年月: 2021年12月

    開催年月:
    2021年12月
     
     
  • 二次元離散ウェーブレットパケット変換の基底が未知の場合のベイズ基準のもと最適なノイズ除去アルゴリズム

    岡 凌平, 中原 悠太, 松嶋 敏泰

    第44回情報理論とその応用シンポジウム  

    発表年月: 2021年12月

    開催年月:
    2021年12月
     
     
  • URLモデルを仮定した下での母集団全体に対する施策の有無の差に関するベイズ最適な推定とその近似アルゴリズム

    石渡泰祐, 齋藤翔太, 中原悠太, 飯窪祐二, 松嶋敏泰

    第44回情報理論とその応用シンポジウム  

    発表年月: 2021年12月

    開催年月:
    2021年12月
     
     
  • URLモデルを仮定した下での新しい個体への施策の有無による反応の差に関するベイズ最適な決定とその近似アルゴリズム

    山田一翔, 中原悠太, 齋藤翔太, 飯窪祐二, 松嶋敏泰

    第44回情報理論とその応用シンポジウム  

    発表年月: 2021年12月

    開催年月:
    2021年12月
     
     
  • Probability Distribution on Full Rooted Trees

    Yuta Nakahara, Shota Saito, Akira Kamatsuka, Toshiyasu Matsushima

    第44回情報理論とその応用シンポジウム  

    発表年月: 2021年12月

    開催年月:
    2021年12月
     
     
  • マルコフ連鎖モンテカルロメタツリー法

    中原悠太, 齋藤翔太, 風間皐希, 于文斌, 一條尚希, 松嶋敏泰

    第24回情報論的学習理論ワークショップ (IBIS2021)  

    発表年月: 2021年11月

    開催年月:
    2021年11月
     
     
  • データ科学マインドの構造

    渡邉文枝, 中原悠太, 田和辻可昌, 若田忠之, 宮崎淳

    大学教育学会2021年度課題研究集会要旨集  

    発表年月: 2021年11月

  • データ科学教育における学習スタイルによるコンテンツ作成の提案

    若田忠之, 渡邉文枝, 中原悠太, 宮崎淳, 田和辻可昌

    日本教育工学会第39回大会講演論文集  

    発表年月: 2021年10月

  • 早稲田大学の研究・教育用データ提供プラットフォームWIRP について

    安田豪毅, 中原悠太, 野村亮, 小林学, 須子統太

    2021年日本経営工学会春季大会  

    発表年月: 2021年05月

    開催年月:
    2021年05月
     
     
  • サンプリングの偏りを考慮したデータ生成確率モデルの提案

    山田一翔, 鎌塚明, 中原悠太, 松嶋敏泰

    2021年日本経営工学会春季大会  

    発表年月: 2021年05月

    開催年月:
    2021年05月
     
     
  • 周辺画素によって異なる自己回帰係数を有する画像生成確率モデルとそのベイズ符号

    高野将大, 中原悠太, 松嶋敏泰

    電子情報通信学会 情報理論研究会  

    発表年月: 2021年01月

    開催年月:
    2021年01月
     
     
  • Statistical Models for Image Processing: Hierarchical Representation of Global and Local Structures of Images

    Yuta Nakahara  [招待有り]

    Waseda University – Academia Sinica Data Science Workshop  

    発表年月: 2020年12月

    開催年月:
    2020年12月
     
     
  • マルコフ決定過程問題における学習期間の行動のベイズ決定理論に基づく最適化

    一條尚希, 中原悠太, 本村勇人, 松嶋敏泰

    電子情報通信学会 情報理論研究会  

    発表年月: 2020年12月

    開催年月:
    2020年12月
     
     
  • Probabilistic Data Generating Process on Tree Structure Model: Bayes Optimal Prediction and Sub-Optimal Algorithm

    土橋 那央, 齋藤 翔太, 中原 悠太, 松嶋 敏泰

    2020年度統計関連学会連合大会  

    発表年月: 2020年09月

    開催年月:
    2020年09月
     
     
  • 線形回帰モデルの混合の統一的なフレームワークにおけるベイズ最適な予測とその近似アルゴリズム

    村山 春香, 齋藤 翔太, 飯窪 祐二, 中原 悠太, 松嶋 敏泰

    2020年度統計関連学会連合大会  

    発表年月: 2020年09月

    開催年月:
    2020年09月
     
     
  • ニューラルネットワークの深層化の利点の理論解析: 回帰関数の表現力と勾配法の学習効率を区別した評価基準

    江崎泰志, 中原悠太, 松嶋敏泰

    2020年度統計関連学会連合大会  

    発表年月: 2020年09月

    開催年月:
    2020年09月
     
     
  • 脳腫瘍セグメンテーションのための階層的な隠れマルコフモデルの構築

    本多拓哉, 中原悠太, 松嶋敏泰

    電子情報通信学会 画像工学研究会  

    発表年月: 2020年05月

    開催年月:
    2020年05月
     
     
  • 自己回帰型の画像生成確率モデルとそれに対するベイズ符号

    中原悠太, 松嶋敏泰

    電子情報通信学会 情報理論研究会  

    発表年月: 2020年05月

    開催年月:
    2020年05月
     
     
  • 関数類似度の提案と基準関数との類似度が高い深層ネットワークの存在比率の近似計算

    江崎泰志, 中原悠太, 松嶋敏泰

    第42回情報理論とその応用シンポジウム(SITA2019)  

    発表年月: 2019年11月

    開催年月:
    2019年11月
     
     
  • Spatially Coupled Uneven LDPC Codes

    Yuta Nakahara, Toshiyasu Matsushima

    第42回情報理論とその応用シンポジウム  

    発表年月: 2019年11月

    開催年月:
    2019年11月
     
     
  • 対数型空間結合符号とその閾値の密度発展法による数値解析

    中原 悠太

    第8回誤り訂正符号のワークショップ  

    発表年月: 2019年09月

  • クラスター説明変数と回帰説明変数により表現された線形回帰モデルにおけるベイズ最適な予測の近似手法

    村山春香, 齋藤翔太, 中原悠太, 松嶋敏泰

    電子情報通信学会 情報理論研究会  

    発表年月: 2019年07月

    開催年月:
    2019年07月
     
     
  • 富士山型空間結合符号に対するCovariance Evolution

    中原悠太, 松嶋敏泰

    第41回情報理論とその応用シンポジウム  

    発表年月: 2018年12月

    開催年月:
    2018年12月
     
     
  • メロディの生成数理モデルを仮定した自動作曲

    西川史織, 中原悠太, 松嶋敏泰

    第41回情報理論とその応用シンポジウム  

    発表年月: 2018年12月

    開催年月:
    2018年12月
     
     
  • Expected Graph Evolution for Spatially “Mt. Fuji” Coupled LDPC Codes

    中原 悠太, 松嶋 敏泰

    2018 International Symposium on Information Theory and Its Applications, Singapore  

    発表年月: 2018年10月

  • Concatenated Spatially Coupled LDPC Codes for Joint Source-Channel Coding(最新論文紹介セッション)

    中原 悠太, 松嶋 敏泰

    第7回誤り訂正符号のワークショップ  

    発表年月: 2018年09月

  • 陽に記述された画像生成モデルに対するベイズ基準のもと最適な可逆符号化

    中原 悠太

    データ科学総合研究教育センター第3回シンポジウム  

    発表年月: 2018年07月

  • 陽に記述された画像生成モデルに対するベイズ基準のもと最適な可逆符号化

    中原悠太, 松嶋敏泰

    映像情報メディア学会冬季大会  

    発表年月: 2017年11月

  • 富士山型空間結合符号の重み分布に関する一考察

    中原悠太, 松嶋敏泰

    第40回情報理論とその応用シンポジウム  

    発表年月: 2017年11月

    開催年月:
    2017年11月
     
     
  • 富士山型空間結合符号の重み分布

    中原 悠太

    第6回誤り訂正符号のワークショップ  

    発表年月: 2017年09月

  • 統計的決定理論に基づく2次元ウェーブレットパケットを用いた画像修復

    中原 悠太, 小板橋 和也

    第2回WIRPワークショップ  

    発表年月: 2017年04月

  • 情報理論に基づく無歪み圧縮のための画像の数理モデル化

    中原 悠太

    第2回WIRPワークショップ  

    発表年月: 2017年04月

  • BP復号における局所サイクル分布に基づく復号順序制御に関する一考察

    中原悠太, 松嶋敏泰

    第39回情報理論とその応用シンポジウム  

    発表年月: 2016年12月

    開催年月:
    2016年12月
     
     
  • 富士山型空間結合符号

    中原 悠太

    第5回誤り訂正符号のワークショップ  

    発表年月: 2016年09月

  • メッセージ伝搬にもとづく疎な2部グラフ上のショートサイクル数え上げ法に関する研究

    中原悠太, 齋藤翔太, 松嶋敏泰

    電子情報通信学会 情報理論研究会  

    発表年月: 2016年01月

    開催年月:
    2016年01月
     
     
  • 消失中継通信路上でのDecode‐and‐Forward型通信におけるパンクチャされた空間結合LDPC符号のユニバーサル性

    中原悠太, 齋藤翔太, 鎌塚明, 松嶋敏泰

    第37回情報理論とその応用シンポジウム  

    発表年月: 2014年12月

    開催年月:
    2014年12月
     
     

▼全件表示

特定課題研究

  • データ科学の応用による生成確率モデル構築に基づく情報理論的に最適な無歪み画像圧縮

    2021年  

     概要を見る

    確率モデルの構築による情報理論的に最適な無歪み画像圧縮に向けて,前年度までに開発した基本確率モデルを階層ベイズモデルとして拡張した.さらにそのハイパーパラメータを変分ベイズ法によって学習するアルゴリズムを開発した.階層ベイズモデリングと変分ベイズ法を無歪み画像圧縮に適用した研究は私の知る限りこれが初めてである.その結果,圧縮率にも改善がみられた.この成果は2021年10月のInformationTheory Workshopで報告した.2019年度に得られていた四分木領域分割確率モデルに関する成果に厳密な証明と追加の実験を加えた成果が,英文論文誌に採択された.さらに,領域分割を表す四分木を非全分木に拡張した最新の成果は2022年3月のDataCompression Conferenceに採択された.

  • 理論限界に迫る次世代無歪み画像圧縮のための機械学習型確率モデルの構築

    2020年  

     概要を見る

    画像の領域分割パターンの生成確率モデルとして,非全四分木に基づく確率モデルを構築した.この確率モデルの理論的特性についてはISIT 2021に,無歪み画像圧縮への応用については,ICIP 2021に投稿中である.各分割領域内の画素値生成確率モデルとしては,誤差分布が非正規分布であるような自己回帰型確率モデルを構築し,ISITA 2020で発表した.また,これらの確率モデルを階層的に組み合わせた総合確率モデルを構築し,そのパラメータ学習アルゴリズムを提案した.その成果は,まずWaseda University ? Academia Sinica Data Science Workshopの招待を受けて口頭で報告した.原稿としてまとめたものはISIT 2021に投稿中である.

  • 理論保証付き画像処理に資する画像生成確率モデルの構築と無歪み圧縮による統一的評価

    2020年  

     概要を見る

    画像の生成を説明する最も基本的かつ今後の拡張性に富む確率モデルとして自己回帰型の確率モデルを数学的に厳密に定義した.また,それに対するベイズ符号を構築し無歪み圧縮性能という観点から確率モデルの妥当性を評価した.得られた成果は,2020年5月の電子情報通信学会情報理論研究会で報告した.さらに,本学学生との共同研究により,その確率モデルの拡張を行った.具体的には,周辺画素によって異なる回帰係数を有する自己回帰型確率モデルとそれに対するベイズ符号を構築し,無歪み圧縮性能という観点から確率モデルの妥当性を評価した.その成果は2021年1月の電子情報通信学会情報理論研究会で報告した.

  • 無歪み画像圧縮に適した画像生成確率モデルの構築

    2019年  

     概要を見る

    斜め方向の単一エッジが存在する画像を生成する確率モデルとして,平面的自己回帰型隠れマルコフモデルを提案し,それに対する順最適ベイズ符号を構築することで,効率的な無歪み圧縮を実現した.その成果は2020 International Workshop on Advanced Image Technologyで発表した.背景と人物など画像の位置によって異なる性質を持つ画像を生成する確率モデルとして,四分木に基づく領域分割生成モデルを提案し,それに対する最適ベイズ符号を構築することで効率的な無歪み圧縮を実現した.その成果は,2020 Data Compression Conferenceで発表した.

 

現在担当している科目

▼全件表示

担当経験のある科目(授業)

  • データ科学のための数学

    早稲田大学  

    2020年04月
    -
    継続中
     

  • 統計リテラシーα,β,γ,δ

    早稲田大学  

    2019年04月
    -
    継続中
     

  • データ科学入門α,β,γ,δ

    早稲田大学  

    2019年04月
    -
    継続中
     

  • 数学II(a),数学II(b),数学B

    早稲田大学高等学院  

    2015年04月
    -
    2018年03月
     

 

委員歴

  • 2020年04月
    -
    継続中

    誤り訂正符号のワークショップ  実行委員