DeepInsight法による非画像データへのCNN適用

ゲノム解析で使われるような、表現型や種別における小さな変動を検出することは重要であり難しいタスクです。大量のデータが利用可能な状態であっても、その遺伝子または要素からの情報はランダムに広がっているため、識別のために関連する特徴を抽出することは困難です。　このような場合、類似の要素をクラスターに配置すると、これらの特徴抽出がしやすくなり要素を個別に処理するよりも隠れたメカニズム（経路など）を確実に識別できます。　本講演では、非画像サンプルをよく整理された画像形式に変換するDeepInsight法を提案します。　これにより、GPUの利用を含む畳み込みニューラルネットワーク（CNN）を非画像サンプルにも適用できるようになり、必須の情報と有望な結果を示すための特徴抽出を可能にします。　私たちの知る限り、これは、CNNをさまざまな種類の非画像データセット（RNAシーケンス、母音、テキスト、および人工）に同時に適用した、初めての研究です。