31o5::tumbutter

過剰適合（英: Overfitting）とは、統計学や機械学習において、訓練データに対して学習されているが、未知データに対しては適合できていない、汎化できていない状態を指す。汎化能力の不足に起因する。

その原因の一つとして、統計モデルへの適合の媒介変数が多すぎることに由来する。不合理で誤ったモデルは、入手可能なデータに比較して複雑すぎる場合、完全に適合することがある。過剰適合は一般にオッカムの剃刀に反した状態と認識される。

In recent neuroscience research, it is of significant importance to develop an efficient method to predict subject’s behaviors or cognitive states from his brain activities for both its applications and methodology. In ATR Computational Neuroscience Laboratories, we have developed “sparse estimation algorithms” and successfully applied them to various problems. There are several merits in sparse estimation algorithms

1. they are applicable for problems with small number of samples and high (more than several thousand) dimensional data,
2. they avoid overfitting to some extent,
3. they make a result more interpretable.

In addition, the sparse estimation algorithms here requires no parameter tuning, thus you can apply these algorithms to wide range of data sets immediately.

In the following link, we collect MATLAB toolboxes for sparse estimation algorithms that have been developed by our group and collaborators. We provide three sparse estimation toolboxes for regression problems and one for classification problems. Please apply one of three regression toolboxes when your behavior variable takes continuous value and the classification toolbox when your behavior variable is a categorical variable. Please try them for your data anyway.

近年、神経科学の方法、応用の両面において、脳活動から被験者の認知状態や受ける刺激を予測する手法の研究の重要性が増しています。ATR脳情報研究所では、ベイズ学習理論の分野で発展を遂げている”スパース推定”の原理を用いて、関連の無い脳活動を自動的に省きながら予測モデルを構築するアルゴリズムの開発を行い、様々な問題において成果を挙げています。スパース推定アルゴリズムは、

1. 少数サンプル、高次元モデル(数千以上)でもパラメータ推定可能
2. 過学習の回避
3. 結果の可解釈性の向上

などのメリットを持っています。また、アルゴリムのパラメータのチューニングは基本的に不要なので、幅広いデータにすぐに適用することができます。

本ライブラリでは、我々のグループ及び共同研究者によって開発された、スパース推定のための”MATLAB”ツールボックスを提供します。本ライブラリは、

1. 3つのスパース回帰モデルのツールボックス(予測変量が連続値をとる場合)
2. 1つのスパース判別モデルのツールボックス(予測変量がカテゴリカルな値をとる場合)

と４つの独立なツールボックスからなります。テスト用のデータも用意されていますので、まずは試用してみて下さい。

ポピュレーション符号化モデルの検証及び運動知覚メカニズムのモデル化

堀健太郎

我々は動いているものを見ると，それがどの方向にどの程度の速さで動いているかを知覚することができる．運動知覚の情報は視覚から得られ，網膜から脳へと伝搬される．人間の脳内では，電気信号として情報を伝搬し，その情報から知覚を得ている．つまり，視覚から得た情報は電気信号に符号化され，その信号を復号化することにより知覚が生じているのである．情報の符号化は脳を主としたニューロンで行われる．したがって，運動知覚メカニズムを研究することで，脳の働きを明らかにすることができる．

運動知覚メカニズムの研究は，これまで数多く行われてきた．近年もっとも行われているのが運動知覚メカニズムのモデル化である．モデルを作成し，そのモデルと心理実験の結果などを比較，検証することで，脳内メカニズムの仮説をたてるわけである．この中で最も代表的なモデルがポピュレーション符号化モデルである．ポピュレーション符号化モデルが様々な心理実験結果に妥当であることは多くの研究結果から知られている．

しかし脳内メカニズムを完全に説明するのであれば，あらゆる心理実験に妥当である必要がある．単に心理実験と言っても測定したいものが何であるか(閾値や精度など)や実験方法によって数多く存在する．それらの心理実験結果をすべて満足に説明できなければ，脳内メカニズムを理解したとは言い難い． ポピュレーション符号化モデルのある一つの心理実験との妥当性は知られているが，複数の心理実験に対し同時に妥当性を持つことができるかどうかはまだ検証されていない．

本研究は運動知覚メカニズムの研究を目的として，ポピュレーション符号化モデルと心理実験の妥当性を検証し，ポピュレーション符号化モデルが脳内メカニズムを表現するのに十分なものであるかどうかを検討する．もし不十分であるならば，ポピュレーション符号化モデルに不足している機構を考察し，その手法を用いてポピュレーション符号化モデルを拡張し，運動知覚メカニズムを検証する．

ポピュレーション符号化モデルの検証及び運動知覚メカニズムのモデル化

堀健太郎

我々は動いているものを見ると，それがどの方向にどの程度の速さで動いているかを知覚することができる．運動知覚の情報は視覚から得られ，網膜から脳へと伝搬される．人間の脳内では，電気信号として情報を伝搬し，その情報から知覚を得ている．つまり，視覚から得た情報は電気信号に符号化され，その信号を復号化することにより知覚が生じているのである．情報の符号化は脳を主としたニューロンで行われる．したがって，運動知覚メカニズムを研究することで，脳の働きを明らかにすることができる．

運動知覚メカニズムの研究は，これまで数多く行われてきた．近年もっとも行われているのが運動知覚メカニズムのモデル化である．モデルを作成し，そのモデルと心理実験の結果などを比較，検証することで，脳内メカニズムの仮説をたてるわけである．この中で最も代表的なモデルがポピュレーション符号化モデルである．ポピュレーション符号化モデルが様々な心理実験結果に妥当であることは多くの研究結果から知られている．

しかし脳内メカニズムを完全に説明するのであれば，あらゆる心理実験に妥当である必要がある．単に心理実験と言っても測定したいものが何であるか(閾値や精度など)や実験方法によって数多く存在する．それらの心理実験結果をすべて満足に説明できなければ，脳内メカニズムを理解したとは言い難い． ポピュレーション符号化モデルのある一つの心理実験との妥当性は知られているが，複数の心理実験に対し同時に妥当性を持つことができるかどうかはまだ検証されていない．

本研究は運動知覚メカニズムの研究を目的として，ポピュレーション符号化モデルと心理実験の妥当性を検証し，ポピュレーション符号化モデルが脳内メカニズムを表現するのに十分なものであるかどうかを検討する．もし不十分であるならば，ポピュレーション符号化モデルに不足している機構を考察し，その手法を用いてポピュレーション符号化モデルを拡張し，運動知覚メカニズムを検証する．