組織における人のエンゲージメントやパーソナリティの理解
- Tanaka H., Yamada W., Ochiai K. (2021) Estimating Work Engagement from Online Chat Logs. Asian CHI Symposium 2021: Asian CHI Symposium 2021
AI（機械学習モデル）の安全性に関する研究
- Ochiai K., Chida T., Yokoyama K, Koizumi D., Tanaka H., Kawana A. (2021) Memory Efficient Adversarial Attacks on Graphs: A Winning Solution for KDD Cup 2020. 2021 Thirteenth International Conference on Mobile Computing and Ubiquitous Network (ICMU)
- Tanaka H., Yamada W., Ochiai K., Okada R., Hasegawa S., Ikeda D. (2020) Evaluation Indicator for Model Inversion Attack. 2nd Workshop on Adversarial Learning Methods for Machine Learning and Data Mining @ KDD 2020
バイオインフォマティックス
- Tanaka, H., Suzuki, Y., Yamasaki, S., Yoshino, K., Kato, K., & Nakamura, S. (2018). R-STEINER: Generation Method of 5'UTR for Increasing the Amount of Translated Proteins. IPSJ Transactions on Bioinformatics, 11, 14-23.
- Tanaka H., Suzuki Y. Yamasaki S., Kato K., Yoshino K., Nakamura S. (2017). R-STEINER: Generation Method of 5'UTR for Increasing the Amount of Translated Proteins. SIGBIO, the 53rd SIGBIO
その他の研究
- Naito, K., Koch, I., Tanaka, H. (2019). Kernel Naive Bayes Discrimination for High-Dimensional Pattern Recognition. Australian & New Zealand Journal of Statistics
- Tanaka H., Suzuki Y., Yoshino K., Nakamura S. (2018) TRANS-AM: Discovery Method of Optimal Input Vectors Corresponding to Objective Variables. In: Ordonez C., Bellatreche L. (eds) Big Data Analytics and Knowledge Discovery. DaWaK 2018. Lecture Notes in Computer Science, vol 11031. Springer, Cham.
Research
会社組織において，働いている人が熱量をもって働ける社会の実現を目指して，個々人のエンゲージメントを推定したり，パーソナリティを理解する研究を行っています．
世の中の様々なシーンでAIが活用されていますが，AIの中身である機械学習モデルを構築するためには，大量のデータでモデルを学習する必要があります．この学習データにはプイバシーに関わるような秘匿すべき情報が含まれていることがありますが，モデルへの攻撃によって学習データに関する情報が復元される懸念があります．他にも，悪意あるユーザがAIを騙すことを目的に，偽のデータを作成する攻撃もあります．このようなモデルへの攻撃や，攻撃に対してどのように対処すべきかといった研究に取り組みました．
受賞：KDDCUP2020 世界第4位（Winning 4-th Place at KDDCUP2020）
製薬企業において，mRNAワクチンを効率的に生成するためには，mRNAからより多量のタンパク質が合成される必要があります．一方で，植物由来のワクチンを生成する際に，どのようなmRNA配列がより多くのタンパク質を合成するかは明らかになっておらず，演繹的に配列を決定することは困難です．このような課題に対して，機械学習を用いることで，より多量のタンパク質を合成し得るmRNA配列候補をピックアップし，これまで探索的に行っていた合成実験を効率化する手法を提案しました．