@techreport{oai:ipsj.ixsq.nii.ac.jp:00072989,
 author = {マチュー・ブロンデル and 関, 和広 and 上原, 邦昭 and Mathieu, Blondel and Kazuhiro, Seki and Kuniaki, Uehara},
 issue = {11},
 month = {Feb},
 note = {本稿では，文献の情報を基に遺伝子機能を付与する問題に対して，カーネルを用いた機械学習の手法を提案する．生物医学文献の数は膨大であり，また遺伝子の種類も数多くある．そのため，各文献に記された遺伝子に対して遺伝子機能を手作業で付与 （ラベル付け） するには，多大なコストが必要となる．その結果，機械学習を行うために必要な訓練データが，十分に集まらないことが多い．訓練データを必要としない手法として，従来，文字列一致が利用されてきたものの，この手法では，表記の揺れや未知語に対処できないという問題がある．本稿では，付加的な情報を容易かつ効果的に取り込むことができ，計算量的にも優れた性質を持つカーネルを用いることで，これらの問題に対処する．また，マルチラベル分類による遺伝子機能付与を行う際に，各クラスごとに正則化を行うことで，ラベル付きデータの数が特定のクラスに偏っているデータ （不均衡データ） の問題にも対処する．TREC ゲノムトラックのデータを用いた評価実験により，従来手法に対する提案手法の優位性を示す．, In recent years, a number of machine learning approaches for literature-based gene function annotation have been proposed. However, due to issues such as lack of labeled data, class imbalance and computational cost, they have usually been unable to surpass simpler approaches based on string-matching. In this paper, we propose a principled machine learning approach focusing on kernel classifiers. We show that kernels are computationally efficient and can address the task's inherent data scarcity by embedding additional knowledge. We also propose a simple and effective solution to deal with class imbalance. From experiments on the TREC Genomics Track data, our approach achieves better F1-score than two existing approaches based on string-matching and cross-species information.},
 title = {文献情報を用いたカーネル法による遺伝子機能アノテーション},
 year = {2011}
}