![廣瀬慧研究室 [Kei Hirose Laboratory]](https://lab.keihirose.com/wp/wp-content/themes/keihirose-lab/assets/images/logo_keihirose_lab01.svg){kind=logo}
論文タイトル
Mixed product-based regularization for sparse matrix factorization in biclustering
執筆者
Jiqiang Wang
Joint Graduate School of Mathematics for Innovation, Kyushu University, Fukuoka, Japan
Kei Hirose
Institute of Mathematics for Industry, Kyushu University, Fukuoka, Japan
採択日
22 March 2026
DOI
論文タイトル
Sparse multivariate regression with missing values in both predictors and responses
執筆者
Shuhei Muroya
Joint Graduate School of Mathematics for Innovation, Kyushu University, Fukuoka, Japan
Shota Maeda
Advanced Technology Research Institute, Corporate R&D Group, KYOCERA Corporation, Yokohama, Japan
Kei Hirose
Institute of Mathematics for Industry, Kyushu University, Fukuoka, Japan
採択日
27 October 2025
DOI
論文タイトル
Algebraic Approach to Maximum Likelihood Factor Analysis
執筆者
Ryoya Fukasaku
Faculty of Mathematics, Kyushu University, Fukuoka, Japan
Kei Hirose
Institute of Mathematics for Industry, Kyushu University, Fukuoka, Japan
Yutaro Kabata
Graduate School of Science and Engineering, Kagoshima University, Kagoshima, Japan
Keisuke Teramoto
Department of Mathematics, Yamaguchi University, Yamaguchi, Japan
DOI
マス・フォア・インダストリ研究所 廣瀬 慧 教授が、このたび新刊書籍
『統計学の考え方―データ分析の本質を捉え，推定・検定を正しく理解する―』
を出版いたしました。
本書は、統計学を学ぶ上で避けて通れない「推定」や「検定」について、単なる計算方法ではなく、
その背景にある考え方や理論的枠組みを直感的かつ丁寧に解説しています。
データ分析の実践において、「なぜその手法を使うのか」「どのように解釈するのか」
という本質的な理解を深めることを目的としています。
大学・大学院で統計学を学ぶ学生だけでなく、研究者や実務でデータ分析に携わる方々にもおすすめできる内容です。
著者：廣瀬 慧
書名：統計学の考え方―データ分析の本質を捉え，推定・検定を正しく理解する―
出版社：共立出版社
発売日：2025年6月4日
ISBN-13：978-4320115866
購入リンク：Amazonで見る
論文タイトル
Robust and consistent model evaluation criteria in high-dimensional regression
執筆者
倉田 澄人（九州大学 マス・フォア・インダストリ研究所）
廣瀬 慧（九州大学 マス・フォア・インダストリ研究所）
DOI
論文タイトル
Improvement of prediction accuracy by choosing resampling distribution via cross-validation
執筆者
| 吉田 航 | （九州大学大学院マス・フォア・イノベーション連係学府） |
| 廣瀬 慧 | （九州大学マス･フォア･インダストリ研究所） |
概要：
In a regression model, prediction is typically performed after model selection. The large variability in the model selection makes the prediction unstable. Thus, it is essential to reduce the variability in model selection and improve prediction accuracy. To achieve this goal, a parametric bootstrap smoothing can be applied. In this method, model selection is performed for each resampling from a parametric distribution, and these models are then averaged such that the distribution of the selected models is considered. Here, the prediction accuracy is highly dependent on the choice of a distribution for resampling. In particular, an experimental study shows that the choice of error variance significantly changes the distribution of the selected model and thus plays a key role in improving the prediction accuracy. We also observe that the true error variance does not always provide optimal prediction accuracy. Therefore, it is not always appropriate to use unbiased estimators of the true parameters or standard estimators of the parameters for the resampling distribution. In this study, we propose employing cross-validation to choose a suitable resampling distribution rather than unbiased estimators of parameters. Our proposed method was applied to several data sets. The results indicate that the proposed method provides a better prediction accuracy than the existing method.
アクセプト
2024年9月26日