グラフデータ管理と分析

グラフデータは、モノ間の関係性をモデル化することができ、様々な身近な応用に利用されています。例えば、モノとモノの関係性を知識グラフとして構造化することで、Web検索や商品の推薦システムに利用されています。他にも、分子データは原子をモノとし原子間のつながりを関係性として表現することで、同じデータ構造をもつ分子の検索などに活用できます。ソーシャルネットワークサービスや道路網なども、我々の生活に密接しており、グラフの大規模化と多様化が進んでいます。

グラフデータに対して、管理・検索・発見・予測という4つの観点から研究開発を進めています。具体的には、(1) 効率的な管理と高速な検索を可能にするデータベース技術、 (2) 新たな知見を発見するデータマイニング技術、 (3) 正確な予測を行う深層学習技術を開発しています。

例えば，グラフデータベースにおける問合せの高速化，グラフデータ内の関係性の強さや特徴的な関係性を抽出することで例外的な関係性やグラフデータ内の差別的なバイアスが含まれているかを評価することができる技術を開発しています．他にも，大規模なグラフデータに適用可能な深層学習技術や自動的にグラフ深層学習のモデルを選択できる技術を開発しています．

モバイル・時空間データ分析と管理

Internet of thingsや位置情報サービスの発展により、多くのデータが時間情報と位置情報をもつようになりました。例えば、人流や交通情報、レストラン情報、センサデータが代表的なデータです。現代では、意識せずとも多くの方が時空間データを扱ったサービスを利用しています。

モバイル・時空間データに対しても，管理・検索・発見・予測という4つの観点から研究開発を進めています。例えば、空間問合せ（ある範囲内にあるデータやある地点から最も近いデータの検索）の高速化や、分散並列処理の最適化、データ間の関連性を検出するデータマイニング、深層学習技術を活用したセンサデータ値の予測技術を開発しています。

また、モバイル・時空間データ分析では、道路ネットワークや距離に応じた相関性を捉えるためにグラフデータ分析の技術を適用することもできます。

情報処理技術の異分野適用

データサイエンスや人工知能技術が幅広く世の中に広まっています。今まで情報処理技術を活用していなかった分野でも情報処理技術の関連研究に取り組まれており、多くの異分野の研究者と共同研究を実施しています。 例えば、化学や材料科学にて新たな有用な物質を発見することや、医学にて尿路結石患者のデータ分析や予測、哲学にてAIと社会応用の問題点、都市工学にて交通分析やエネルギー需要予測を行っています。情報処理のコア技術を幅広い分野に応用することで、情報学以外の新たな知識の習得と新に世の中に求められている技術の把握を通して、研究・開発すべき技術の考案に役立てています。