Microsoft PowerPoint - Ishiguro_IBIS_presentation.pptx
|
|
- えいじろう にばし
- 5 years ago
- Views:
Transcription
1 2011/11/10 第 14 回情報論的学習理論ワークショップ NTT コミュニケーション科学基礎研究所石黒勝彦
2 SNSにおける友達コミュニティ抽出 オンラインショッピング履歴に基づくレコメンド 論文と著者の組み合わせによる研究トピック解析
3 SNS 上の友達関係は簡単に変化します CMが当たると突然商品が売れ出します 研究プロジェクトや異動で共著者は変わります
4 フォ チローし たメ ンバ ー i フォローされたメンバー j ェックした顧客i チェックされたアイテム j
5
6 フォローしたメンバーi フォローされたメンバー j 時刻 t
7 時間に従って変化する関係データの解析手法について 関係データの解析 大きな2つの分類 IRMによるクラスタリング 時系列関係データの解析 実データに見る非定常 非連続性 dirmによる時間発展クラスタリング 時系列関係データ解析の 次の 課題
8 与えられたデータの性質を調べる 内部にどんなクラスタ コミュニティがあるか クラスタやコミュニティ同士の関係はどうなっているか 生成モデルが多い 与えられたデータから学習して他に活かす 欠損データの補完 未来における関係の予測 テンソル分解 ( 低ランク近似 ) や識別モデルが多い
9 似たようなリンクを持つオブジェクトをまとめて オブジェクトのクラスタ ( コミュニティ ) を抽出します 人間関係のグループ ( 派閥 ) 発見や 遺伝子の機能的分類に応用できます
10 Infinite Relational Model (IRM) (Kemp et al., 2006) k = 1 k = 2 k = 3 k = 4 k = 4 k = 3 k = 2 k = 1
11 IRM z i = k i x i,j = 1 z j = l j x i,j = {0, 1} ~ p(η zi, zj ) {η k,l }=
12 k,l = 1,, γ i,j = 1,, N β β ~ Stick(γ) z i ~ Multinomial(β) z i N ξ k η k,l ~ Beta(ξ k,ψ l ) ψ l η k,l x i,j N N x i,j ~ Bernoulli(η zi, zj ) i x i,j = 1 j
13 時間方向でクラスタを同定しながら 各クラスタの隆盛や生成 消滅を解析できます
14 自由民主党 社会民主党 新党さきがけ 日本新党 新進党 #Occupywallstreet 民主党
15 dynamic IRM (Ishiguro et al., 2010) X t X t+1 x t,i,j = 1 xt+1,i,j = 0 i j i j
16 t = 1,, T k,l = 1,, i,j = 1,, N γ β β ~ Stick(γ) 0.6 κ π t, k ~ DP(α 0 +κ, (α 0 β+κδ k ) / (α 0 +κ) ) π t, = α 0 π t,k 0.1 z z t-1,i z t,i z t,i ~ Multinomial(π t, z t-1,i ) t+1,i N ξ k η k,l ~ Beta(ξ k,ψ l ) ψ l η k,l x t,i,j N N T x t,i,j ~ Bernoulli(η zt,i, zt,j ) i x t,i,j = 1 j
17 (1/2) z t,i ~ Multinomial(π t, z t-1,i ) π t, = π t, = i j i j i j
18 (2/2) π t, = π t+1, = π t, = π t+1, = i j i j i j
19 sticky prior + HDP-HMM (cf. Fox et al., 2008) β ~ Stick(γ) DP(Dirichlet Process) 無限次元のディリクレ分布 π t, k ~ DP(α 0 +κ, (α 0 β+κδ k ) / (α 0 +κ) ) π t, = π t+1, = δ κ
20 Stick-breaking process の有限近似解 計算が早い 分かり易い計算式 近似解 導出が難しい Chinese Restaurant Franchise (CRF) + Gibbs 導出 実装が簡単 大域解 ( 漸近的に ) 収束がかなり遅い Slice sampler 収束はそこそこ 大域解 ( 漸近的に ) 導出が難しい
21 Slice sampler (van Gael et al., 2008) t-1 t t+1 π t π t+1 u t,i ~ Uniform(π t, zt-1,i,zt,i ) K = K* < u t,i < π t,k,l u t,i >= π t,k,l possible path forbidden path
22 : Enron network (Klimat&Yang, 2004) 2001 年 ( 破たんの年 ) の毎月の のやり取り 2001/ /08 を記録 2001/ / /12
23 (1/2) 8 月 : CEO 辞任 10 月 : 会計粉飾報道 12 月 : 破たん z t,i = k z t,j = l i x t,i,j = 1 j
24 (2/2) 8 月 : CEO 辞任 10 月 : 会計粉飾報道 12 月 : 破たん the CEO of Enron America the founder, the chairman the COO
25 動画投稿サイトのユーザ間お気に入り関係 問題 1: ほとんどの部分は 空 クラスタリングしても特に嬉しいことがない 問題 2: どのオブジェクトもほとんどリンクを持ってないという点では同じ 解釈不可能なクラスタばかり t = T t = 1
26 ポイント 1: 時刻によってクラスタリングすべきオブジェクト集合が変化する ポイント 2: ローカルな重要部分 のクラスタ構造のパラメータもおそらく異なる 時刻 t ポイント 3: 全体を通して情報をあまり落とさずにクラスタリングの整合性をとりたい
27 オブジェクト(特徴)i 特徴 ( 観測量 ) の取捨選択を行いながらクラスタリングを行うサブセットクラスタリング法の時系列 関係データ拡張 D-144 石黒勝彦 上田修功 澤田宏 (NTT) 目的 : 時系列データから クラスタリングしたい 例えば : ある期間で特徴的な購買パターン ( ブーム ) を抽出大量のセンサーデータから 役立つ部分だけをまとめて発見 k = 1 k = 2 k = 3 オブジェクト(特徴)i 時刻 t 時刻 t
28 非定常 非線形 非連続な時間変化を見せる関係データのため ノンパラメトリックベイズに基づく生成モデルをご紹介しました 時系列関係データの future work の一つとして サブセットクラスタリングという問題を提示させていただきました テンソル分解手法の応用可能性 あるいはサブセットクラスタリング問題について ご教示 議論をいただければ幸いです
29 Kemp et al., Learning Systems of Concepts with an Infinite Relational Model, AAAI, Ishiguro et al., Dynamic Infinite Relational Model for Time-varying Relational Data Analysis, NIPS, Fox et al., An HDP-HMM for Systems with State Persistence, ICML, van Gael et al., Beam Sampling for the Infinite Hidden Markov Model, ICML, B. Klimat and Y. Yang. The enron corpus: A new dataset for classification research, ECML, Hoff, Subset Clustering of Binary Sequences, with an Application to Genomic Abnormality Data, Biometrics, Guan et al., A Unified Probabilistic Model for Global and Local Unsupervised Feature Selection, ICML, 2011.
30 非定常な時系列関係データの解析に関する研究 石黒勝彦 (NTT コミュニケーション科学基礎研究所 ) ishiguro.katsuhiko@lab.ntt.co.jp
トピックモデルの応用: 関係データ、ネットワークデータ
NTT コミュニケーション科学基礎研究所 石黒勝彦 2013/01/15-16 統計数理研究所会議室 1 1 画像認識系から尐し遅れますが 最近では音声 音響データに対してもトピックモデルが利用されるようになっています 2 1. どの特徴量を利用するか? 2. 時系列性をどう扱うか? 3 どの特徴量を利用して どうやって BoW 形式に変換するかを検討する必要があります MFCC: 音声認識などで広い範囲で利用される
More information_0212_68<5A66><4EBA><79D1>_<6821><4E86><FF08><30C8><30F3><30DC><306A><3057><FF09>.pdf
More information
医系の統計入門第 2 版 サンプルページ この本の定価 判型などは, 以下の URL からご覧いただけます. このサンプルページの内容は, 第 2 版 1 刷発行時のものです.
医系の統計入門第 2 版 サンプルページ この本の定価 判型などは, 以下の URL からご覧いただけます. http://www.morikita.co.jp/books/mid/009192 このサンプルページの内容は, 第 2 版 1 刷発行時のものです. i 2 t 1. 2. 3 2 3. 6 4. 7 5. n 2 ν 6. 2 7. 2003 ii 2 2013 10 iii 1987
More information第86回日本感染症学会総会学術集会後抄録(I)
κ κ κ κ κ κ μ μ β β β γ α α β β γ α β α α α γ α β β γ μ β β μ μ α ββ β β β β β β β β β β β β β β β β β β γ β μ μ μ μμ μ μ μ μ β β μ μ μ μ μ μ μ μ μ μ μ μ μ μ β
More informationDirichlet process mixture Dirichlet process mixture 2 /40 MIRU2008 :
Dirichlet Process : joint work with: Max Welling (UC Irvine), Yee Whye Teh (UCL, Gatsby) http://kenichi.kurihara.googlepages.com/miru_workshop.pdf 1 /40 MIRU2008 : Dirichlet process mixture Dirichlet process
More informationO1-1 O1-2 O1-3 O1-4 O1-5 O1-6
O1-1 O1-2 O1-3 O1-4 O1-5 O1-6 O1-7 O1-8 O1-9 O1-10 O1-11 O1-12 O1-13 O1-14 O1-15 O1-16 O1-17 O1-18 O1-19 O1-20 O1-21 O1-22 O1-23 O1-24 O1-25 O1-26 O1-27 O1-28 O1-29 O1-30 O1-31 O1-32 O1-33 O1-34 O1-35
More information1 911 9001030 9:00 A B C D E F G H I J K L M 1A0900 1B0900 1C0900 1D0900 1E0900 1F0900 1G0900 1H0900 1I0900 1J0900 1K0900 1L0900 1M0900 9:15 1A0915 1B0915 1C0915 1D0915 1E0915 1F0915 1G0915 1H0915 1I0915
More informationnsg02-13/ky045059301600033210
φ φ φ φ κ κ α α μ μ α α μ χ et al Neurosci. Res. Trpv J Physiol μ μ α α α β in vivo β β β β β β β β in vitro β γ μ δ μδ δ δ α θ α θ α In Biomechanics at Micro- and Nanoscale Levels, Volume I W W v W
More information(Microsoft PowerPoint - \203|\203X\203^\201[\224\255\225\\\227p\216\221\227\ ppt)
Web ページタイプによるクラスタリングを用いた検索支援システム 折原大内海彰電気通信大学システム工学専攻 はじめに 背景 文書クラスタリングを用いた検索支援システム Clusty(http://clusty.jp/) KartOO(http://www.kartoo.com/) Carrot(http://www.carrot-search.com/) これらはすべてトピックによる分類を行っている
More informationuntitled
DEIM Forum 2019 C1-2 305-8573 1-1-1 305-8573 1-1-1 () 151-0053 1-3-15 6F QA,,,, Detecting and Analysing Chinese Web Sites for Collecting Know-How Knowledge Wenbin NIU, Yohei OHKAWA,ShutoKAWABATA,ChenZHAO,TianNIE,
More informationクラスタリング クラスタリングとは クラスタの良さを類似度 目的関数で定義 困難 教師ありクラスタリング 類似度 目的関数ではなく 教師情報 制約を導入 教師情報 制約に一致するクラスタが良い クラスタリング問題を 絶対クラスタリングと相対クラスタリング に分けて考える必要 2
教師ありクラスタリング と 絶対/相対クラスタリング 神嶌 敏弘 http://www.kamishima.net/ 産業技術総合研究所 2006年情報論的学習理論ワークショップ(IBIS2006) 2006/10/31-11/2 1 クラスタリング クラスタリングとは クラスタの良さを類似度 目的関数で定義 困難 教師ありクラスタリング 類似度 目的関数ではなく 教師情報 制約を導入 教師情報 制約に一致するクラスタが良い
More informationnl226ithmm.dvi
Markov 1,a),b) Markov (HMM),, Stick-breaking (Adams+ 010), Markov (ithmm),,, Markov, PCFG Stick-breaking,, The Infinite Tree Hidden Markov Model for Unsupervised Hierarchical Part-of-speech Induction Daichi
More information? (EM),, EM? (, 2004/ 2002) von Mises-Fisher ( 2004) HMM (MacKay 1997) LDA (Blei et al. 2001) PCFG ( 2004)... Variational Bayesian methods for Natural
SLC Internal tutorial Daichi Mochihashi daichi.mochihashi@atr.jp ATR SLC 2005.6.21 (Tue) 13:15 15:00@Meeting Room 1 Variational Bayesian methods for Natural Language Processing p.1/30 ? (EM),, EM? (, 2004/
More informationnsg04-28/ky208684356100043077
δ!!! μ μ μ γ UBE3A Ube3a Ube3a δ !!!! α α α α α α α α α α μ μ α β α β β !!!!!!!! μ! Suncus murinus μ Ω! π μ Ω in vivo! μ μ μ!!! ! in situ! in vivo δ δ !!!!!!!!!! ! in vivo Orexin-Arch Orexin-Arch !!
More information支持力計算法.PDF
. (a) P P P P P P () P P P P (0) P P Hotω H P P δ ω H δ P P (a) ( ) () H P P n0(k P 4.7) (a)0 0 H n(k P 4.76) P P n0(k P 5.08) n0(k P.4) () 0 0 (0 ) n(k P 7.56) H P P n0(k P.7) n(k P.7) H P P n(k P 5.4)
More information1 Jensen et al.[6] GRT S&P500 GRT RT GRT Kiriu and Hibiki[8] Jensen et al.[6] GRT 3 GRT Generalized Recovery Theorem (Jensen et al.[6])
Generalized Recovery Theorem Ross[11] Recovery Theorem(RT) RT forward looking Kiriu and Hibiki[8] Generalized Recovery Theorem(GRT) Jensen et al.[6] GRT RT Kiriu and Hibiki[8] 1 backward looking forward
More information2 1 1 α = a + bi(a, b R) α (conjugate) α = a bi α (absolute value) α = a 2 + b 2 α (norm) N(α) = a 2 + b 2 = αα = α 2 α (spure) (trace) 1 1. a R aα =
1 1 α = a + bi(a, b R) α (conjugate) α = a bi α (absolute value) α = a + b α (norm) N(α) = a + b = αα = α α (spure) (trace) 1 1. a R aα = aα. α = α 3. α + β = α + β 4. αβ = αβ 5. β 0 6. α = α ( ) α = α
More informationCOE-RES Discussion Paper Series Center of Excellence Project The Normative Evaluation and Social Choice of Contemporary Economic Systems Graduate Scho
COE-RES Discussion Paper Series Center of Excellence Project The Normative Evaluation and Social Choice of Contemporary Economic Systems Graduate School of Economics and Institute of Economic Research
More information201711grade1ouyou.pdf
2017 11 26 1 2 52 3 12 13 22 23 32 33 42 3 5 3 4 90 5 6 A 1 2 Web Web 3 4 1 2... 5 6 7 7 44 8 9 1 2 3 1 p p >2 2 A 1 2 0.6 0.4 0.52... (a) 0.6 0.4...... B 1 2 0.8-0.2 0.52..... (b) 0.6 0.52.... 1 A B 2
More informationMicrosoft PowerPoint - システム創成学基礎2.ppt [互換モード]
システム創成学基礎 - 観測と状態 - 古田一雄 システムの状態 個別の構成要素の状態の集合としてシステムの状態は記述できる 太陽系の状態 太陽の状態 s 0 = {x 0,y 0,z 0,u 0,v 0,w 0 } 水星の状態 s 1 = {x 1,y 1,z 1,u 1,v 1,w 1 } 金星の状態 s 2 = {x 2,y 2,z 2,u 2,v 2,w 2 } 太陽系の状態 S={s 0,s
More information12/1 ( ) GLM, R MCMC, WinBUGS 12/2 ( ) WinBUGS WinBUGS 12/2 ( ) : 12/3 ( ) :? ( :51 ) 2/ 71
2010-12-02 (2010 12 02 10 :51 ) 1/ 71 GCOE 2010-12-02 WinBUGS kubo@ees.hokudai.ac.jp http://goo.gl/bukrb 12/1 ( ) GLM, R MCMC, WinBUGS 12/2 ( ) WinBUGS WinBUGS 12/2 ( ) : 12/3 ( ) :? 2010-12-02 (2010 12
More information第10章 アイソパラメトリック要素
June 5, 2019 1 / 26 10.1 ( ) 2 / 26 10.2 8 2 3 4 3 4 6 10.1 4 2 3 4 3 (a) 4 (b) 2 3 (c) 2 4 10.1: 3 / 26 8.3 3 5.1 4 10.4 Gauss 10.1 Ω i 2 3 4 Ξ 3 4 6 Ξ ( ) Ξ 5.1 Gauss ˆx : Ξ Ω i ˆx h u 4 / 26 10.2.1
More informationスライド 1
. 無情報事前分布 前回 前回の復習 データの分布 ( 統計モデル を設定 ( θ モデルごとに相性のよい事前分布 ( 共役事前分布 を紹介 事後分布の計算 π (θ π ( θ, π ( θ dθ, 昔 共役事前分布を利用して 解析的に事後分布を導出簡単な形で書けない場合は ラプラス近似を利用 現在 パラメータの次元が高い, もしくは複雑な入り方をする統計モデル 数値的な方法 ( 第六回 で近似するため共役事前分布にこだわらない
More information2 1 κ c(t) = (x(t), y(t)) ( ) det(c (t), c x (t)) = det (t) x (t) y (t) y = x (t)y (t) x (t)y (t), (t) c (t) = (x (t)) 2 + (y (t)) 2. c (t) =
1 1 1.1 I R 1.1.1 c : I R 2 (i) c C (ii) t I c (t) (0, 0) c (t) c(i) c c(t) 1.1.2 (1) (2) (3) (1) r > 0 c : R R 2 : t (r cos t, r sin t) (2) C f : I R c : I R 2 : t (t, f(t)) (3) y = x c : R R 2 : t (t,
More informationohpr.dvi
2003/12/04 TASK PAF A. Fukuyama et al., Comp. Phys. Rep. 4(1986) 137 A. Fukuyama et al., Nucl. Fusion 26(1986) 151 TASK/WM MHD ψ θ ϕ ψ θ e 1 = ψ, e 2 = θ, e 3 = ϕ ϕ E = E 1 e 1 + E 2 e 2 + E 3 e 3 J :
More informationMicrosoft PowerPoint - LDW.ppt [互換モード]
グラフ系列マイニング 猪口明博大阪大学産業科学研究所科学技術振興機構さきがけ 研究の背景 データマイニング インフラ技術の高度化 多様で大規模な情報やデータへのアクセス, 蓄積が容易. 多様で大規模なデータから有用な知識を発掘することは重要な課題. 頻出アイテム集合マイニング [Arawal 9] 頻出アイテム集合列挙問題 一般に多くの事例を説明する知識は有用である. バスケット分析 Raw Data
More informationDEIM Forum 2015 F8-4 Twitter Twitter 1. SNS
DEIM Forum 2015 F8-4 Twitter 432 8011 3-5-1 432 8011 3-5-1 E-mail: cs11032@s.inf.shizuoka.ac.jp, {yokoyama,fyamada}@inf.shizuoka.ac.jp Twitter 1. SNS SNS SNS Twitter 1 Twitter SNS facebook 2 mixi 3 Twitter
More informationohpmain.dvi
fujisawa@ism.ac.jp 1 Contents 1. 2. 3. 4. γ- 2 1. 3 10 5.6, 5.7, 5.4, 5.5, 5.8, 5.5, 5.3, 5.6, 5.4, 5.2. 5.5 5.6 +5.7 +5.4 +5.5 +5.8 +5.5 +5.3 +5.6 +5.4 +5.2 =5.5. 10 outlier 5 5.6, 5.7, 5.4, 5.5, 5.8,
More informationkubo2015ngt6 p.2 ( ( (MLE 8 y i L(q q log L(q q 0 ˆq log L(q / q = 0 q ˆq = = = * ˆq = 0.46 ( 8 y 0.46 y y y i kubo (ht
kubo2015ngt6 p.1 2015 (6 MCMC kubo@ees.hokudai.ac.jp, @KuboBook http://goo.gl/m8hsbm 1 ( 2 3 4 5 JAGS : 2015 05 18 16:48 kubo (http://goo.gl/m8hsbm 2015 (6 1 / 70 kubo (http://goo.gl/m8hsbm 2015 (6 2 /
More informationH 0 H = H 0 + V (t), V (t) = gµ B S α qb e e iωt i t Ψ(t) = [H 0 + V (t)]ψ(t) Φ(t) Ψ(t) = e ih0t Φ(t) H 0 e ih0t Φ(t) + ie ih0t t Φ(t) = [
3 3. 3.. H H = H + V (t), V (t) = gµ B α B e e iωt i t Ψ(t) = [H + V (t)]ψ(t) Φ(t) Ψ(t) = e iht Φ(t) H e iht Φ(t) + ie iht t Φ(t) = [H + V (t)]e iht Φ(t) Φ(t) i t Φ(t) = V H(t)Φ(t), V H (t) = e iht V (t)e
More information研修コーナー
l l l l l l l l l l l α α β l µ l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l
More informationN cos s s cos ψ e e e e 3 3 e e 3 e 3 e
3 3 5 5 5 3 3 7 5 33 5 33 9 5 8 > e > f U f U u u > u ue u e u ue u ue u e u e u u e u u e u N cos s s cos ψ e e e e 3 3 e e 3 e 3 e 3 > A A > A E A f A A f A [ ] f A A e > > A e[ ] > f A E A < < f ; >
More information研究シリーズ第40号
165 PEN WPI CPI WAGE IIP Feige and Pearce 166 167 168 169 Vector Autoregression n (z) z z p p p zt = φ1zt 1 + φ2zt 2 + + φ pzt p + t Cov( 0 ε t, ε t j )= Σ for for j 0 j = 0 Cov( ε t, zt j ) = 0 j = >
More informationコンピュータ応用・演習 情報処理システム
2010 年 12 月 15 日 データエンジニアリング 演習 情報処理システム データマイニング ~ データからの自動知識獲得手法 ~ 1. 演習の目的 (1) 多種多様な膨大な量のデータを解析し, 企業の経営活動などに活用することが望まれている. 大規模データベースを有効に活用する, データマイニング技術の研究が脚光を浴びている 1 1. 演習の目的 (2) POS データを用いて顧客の購買パターンを分析する.
More informationMicrosoft PowerPoint 新道路研究会_公開用.pptx
人物動態のモニタリングに向けた統計的異常検知 背景 物動態の把握の要請 多岐にわたる分野において重要 交通モデリング マーケティング等 位置情報取得の容易化 GPS や WiFi を利 した測位技術の発達 分解能かつ低コスト 物の位置情報をリアルタイムに集計し, 時々刻々と変化する 物動態のモニタリングへの期待 2 東京大学大学院工学系研究科社会基盤学専攻 布施孝志 モニタリングでは異常状態の検知が重要
More informationPowerPoint プレゼンテーション
復習 ) 時系列のモデリング ~a. 離散時間モデル ~ y k + a 1 z 1 y k + + a na z n ay k = b 0 u k + b 1 z 1 u k + + b nb z n bu k y k = G z 1 u k = B(z 1 ) A(z 1 u k ) ARMA モデル A z 1 B z 1 = 1 + a 1 z 1 + + a na z n a = b 0
More information集中理論談話会 #9 Bhat, C.R., Sidharthan, R.: A simulation evaluation of the maximum approximate composite marginal likelihood (MACML) estimator for mixed mu
集中理論談話会 #9 Bhat, C.R., Sidharthan, R.: A simulation evaluation of the maximum approximate composite marginal likelihood (MACML) estimator for mixed multinomial probit models, Transportation Research Part
More information²ÄÀÑʬΥ»¶ÈóÀþ·¿¥·¥å¥ì¡¼¥Ç¥£¥ó¥¬¡¼ÊýÄø¼°¤ÎÁ²¶á²òÀÏ Asymptotic analysis for the integrable discrete nonlinear Schrödinger equation
Asymptotic analysis for the integrable discrete nonlinear Schrödinger equation ( ) ( ) 2016 12 17 1. Schrödinger focusing NLS iu t + u xx +2 u 2 u = 0 u(x, t) =2ηe 2iξx 4i(ξ2 η 2 )t+i(ψ 0 +π/2) sech(2ηx
More informationNo δs δs = r + δr r = δr (3) δs δs = r r = δr + u(r + δr, t) u(r, t) (4) δr = (δx, δy, δz) u i (r + δr, t) u i (r, t) = u i x j δx j (5) δs 2
No.2 1 2 2 δs δs = r + δr r = δr (3) δs δs = r r = δr + u(r + δr, t) u(r, t) (4) δr = (δx, δy, δz) u i (r + δr, t) u i (r, t) = u i δx j (5) δs 2 = δx i δx i + 2 u i δx i δx j = δs 2 + 2s ij δx i δx j
More information微分積分 サンプルページ この本の定価 判型などは, 以下の URL からご覧いただけます. このサンプルページの内容は, 初版 1 刷発行時のものです.
微分積分 サンプルページ この本の定価 判型などは, 以下の URL からご覧いただけます. ttp://www.morikita.co.jp/books/mid/00571 このサンプルページの内容は, 初版 1 刷発行時のものです. i ii 014 10 iii [note] 1 3 iv 4 5 3 6 4 x 0 sin x x 1 5 6 z = f(x, y) 1 y = f(x)
More information1 Tokyo Daily Rainfall (mm) Days (mm)
( ) r-taka@maritime.kobe-u.ac.jp 1 Tokyo Daily Rainfall (mm) 0 100 200 300 0 10000 20000 30000 40000 50000 Days (mm) 1876 1 1 2013 12 31 Tokyo, 1876 Daily Rainfall (mm) 0 50 100 150 0 100 200 300 Tokyo,
More informationchap10.dvi
. q {y j } I( ( L y j =Δy j = u j = C l ε j l = C(L ε j, {ε j } i.i.d.(,i q ( l= y O p ( {u j } q {C l } A l C l
More informationConvolutional Neural Network A Graduation Thesis of College of Engineering, Chubu University Investigation of feature extraction by Convolution
Convolutional Neural Network 2014 3 A Graduation Thesis of College of Engineering, Chubu University Investigation of feature extraction by Convolutional Neural Network Fukui Hiroshi 1940 1980 [1] 90 3
More information基礎から学ぶトラヒック理論 サンプルページ この本の定価 判型などは, 以下の URL からご覧いただけます. このサンプルページの内容は, 初版 1 刷発行時のものです.
基礎から学ぶトラヒック理論 サンプルページ この本の定価 判型などは, 以下の URL からご覧いただけます. http://www.morikita.co.jp/books/mid/085221 このサンプルページの内容は, 初版 1 刷発行時のものです. i +α 3 1 2 4 5 1 2 ii 3 4 5 6 7 8 9 9.3 2014 6 iii 1 1 2 5 2.1 5 2.2 7
More informationAn Automated Proof of Equivalence on Quantum Cryptographic Protocols
量子暗号のための プロトコル等価性検証ツール 久保田貴大 *, 角谷良彦 *, 加藤豪, 河野泰人, 櫻田英樹 * 東京大学情報理工学系研究科, NTT コミュニケーション科学基礎研究所 背景 暗号安全性証明の検証は難しい 量子暗号でもそうである 検証のための形式体系が提案されているが, 実際には, 形式体系の適用は手作業では非常に煩雑である 形式検証のためには, 検証ツールが開発されることが望ましい
More information「スウェーデン企業におけるワーク・ライフ・バランス調査 」報告書
1 2004 12 2005 4 5 100 25 3 1 76 2 Demoskop 2 2004 11 24 30 7 2 10 1 2005 1 31 2 4 5 2 3-1-1 3-1-1 Micromediabanken 2005 1 507 1000 55.0 2 77 50 50 /CEO 36.3 37.4 18.1 3-2-1 43.0 34.4 / 17.6 3-2-2 78 79.4
More information,, Poisson 3 3. t t y,, y n Nµ, σ 2 y i µ + ɛ i ɛ i N0, σ 2 E[y i ] µ * i y i x i y i α + βx i + ɛ i ɛ i N0, σ 2, α, β *3 y i E[y i ] α + βx i
Armitage.? SAS.2 µ, µ 2, µ 3 a, a 2, a 3 a µ + a 2 µ 2 + a 3 µ 3 µ, µ 2, µ 3 µ, µ 2, µ 3 log a, a 2, a 3 a µ + a 2 µ 2 + a 3 µ 3 µ, µ 2, µ 3 * 2 2. y t y y y Poisson y * ,, Poisson 3 3. t t y,, y n Nµ,
More informationMicrosoft PowerPoint PresentationPRMU2008Nov.ppt [互換モード]
Dynamic Markov random fields for stochastic modeling of visual attention 2008 年 11 月 27 日 木村昭悟 (1) Derek Pang (1,2) 竹内龍人 (1) 大和淳司 (1) 柏野邦夫 (1) (1) 日本電信電話 ( 株 )NTT コミュニケーション科学基礎研究所メディア情報研究部メディア認識研究グループ
More informationGrund.dvi
24 24 23 411M133 i 1 1 1.1........................................ 1 2 4 2.1...................................... 4 2.2.................................. 6 2.2.1........................... 6 2.2.2 viterbi...........................
More information( ) ( )
20 21 2 8 1 2 2 3 21 3 22 3 23 4 24 5 25 5 26 6 27 8 28 ( ) 9 3 10 31 10 32 ( ) 12 4 13 41 0 13 42 14 43 0 15 44 17 5 18 6 18 1 1 2 2 1 2 1 0 2 0 3 0 4 0 2 2 21 t (x(t) y(t)) 2 x(t) y(t) γ(t) (x(t) y(t))
More information1 (Berry,1975) 2-6 p (S πr 2 )p πr 2 p 2πRγ p p = 2γ R (2.5).1-1 : : : : ( ).2 α, β α, β () X S = X X α X β (.1) 1 2
2005 9/8-11 2 2.2 ( 2-5) γ ( ) γ cos θ 2πr πρhr 2 g h = 2γ cos θ ρgr (2.1) γ = ρgrh (2.2) 2 cos θ θ cos θ = 1 (2.2) γ = 1 ρgrh (2.) 2 2. p p ρgh p ( ) p p = p ρgh (2.) h p p = 2γ r 1 1 (Berry,1975) 2-6
More information2 G(k) e ikx = (ik) n x n n! n=0 (k ) ( ) X n = ( i) n n k n G(k) k=0 F (k) ln G(k) = ln e ikx n κ n F (k) = F (k) (ik) n n= n! κ n κ n = ( i) n n k n
. X {x, x 2, x 3,... x n } X X {, 2, 3, 4, 5, 6} X x i P i. 0 P i 2. n P i = 3. P (i ω) = i ω P i P 3 {x, x 2, x 3,... x n } ω P i = 6 X f(x) f(x) X n n f(x i )P i n x n i P i X n 2 G(k) e ikx = (ik) n
More informationPowerPoint プレゼンテーション
データ解析 第 7 回 : 時系列分析 渡辺澄夫 過去から未来を予測する 観測データ 回帰 判別分析 解析方法 主成分 因子 クラスタ分析 時系列予測 時系列を予測する 無限個の確率変数 ( 確率変数が作る無限数列 ){X(t) ; t は整数 } を生成する情報源を考える {X(t)} を確率過程という 確率過程に ついて過去の値から未来を予測するにはどうしたらよいだろうか X(t-K),X(t-K+1),,X(t-1)
More information: , 2.0, 3.0, 2.0, (%) ( 2.
2017 1 2 1.1...................................... 2 1.2......................................... 4 1.3........................................... 10 1.4................................. 14 1.5..........................................
More informationOverview (Gaussian Process) GPLVM GPDM 2 / 59
daichi@ism.ac.jp 2015-3-3( ) 1 / 59 Overview (Gaussian Process) GPLVM GPDM 2 / 59 (Gaussian Process) y 2 1 0 1 2 3 8 6 4 2 0 2 4 6 8 x x y (regressor) D = { (x (n), y (n) ) } N, n=1 x (n+1) y (n+1), (
More informationしたがって このモデルではの長さをもつ潜在履歴 latent history が存在し 同様に と指標化して扱うことができる 以下では 潜在的に起こりうる履歴を潜在履歴 latent history 実際にデ ータとして記録された履歴を記録履歴 recorded history ということにする M
Bayesian Inference with ecological applications Chapter 10 Bayesian Inference with ecological applications 輪読会 潜在的な事象を扱うための多項分布モデル Latent Multinomial Models 本章では 記録した頻度データが多項分布に従う潜在的な変数を集約したものと考えられるときの
More informationHanbury-Brown Twiss (ver. 2.0) van Cittert - Zernike mutual coherence
Hanbury-Brown Twiss (ver. 2.) 25 4 4 1 2 2 2 2.1 van Cittert - Zernike..................................... 2 2.2 mutual coherence................................. 4 3 Hanbury-Brown Twiss ( ) 5 3.1............................................
More information工業数学F2-04(ウェブ用).pptx
工業数学 F2 #4 フーリエ級数を極める 京都大学加納学 京都大学大学院情報学研究科システム科学専攻 Human Systems Lab., Dept. of Systems Science Graduate School of Informatics, Kyoto University 復習 1: 複素フーリエ級数 2 周期 2π の周期関数 f(x) の複素フーリエ級数展開 複素フーリエ係数
More informationJKR Point loading of an elastic half-space 2 3 Pressure applied to a circular region Boussinesq, n =
JKR 17 9 15 1 Point loading of an elastic half-space Pressure applied to a circular region 4.1 Boussinesq, n = 1.............................. 4. Hertz, n = 1.................................. 6 4 Hertz
More information株式会社日清製粉グループ本社 第158期中間事業報告書
C O N T E N T S...1...3...5...7...9...11...12...13...14 1 2 3 4 3.7% 5.8% 8.5% 70,100kL 81.2% 0.8% 25 20 15 10 5 0 9.18 9.54 9.74 9.62 9.65 9.71 21.04 21.97 22.44 22.23 8.54 22.31 22.45 20.41 15 12 9 6
More information89 91 93 95 97 99 101 103 105 107 109 111 113 115 H 117 119 l l 121 l l 123 125 127 129 l l l l 131 kl kl kl kl 133 135 137 139 141 143 145 147 149 151 153 155 157 159
More informationPowerPoint プレゼンテーション
ノンパラメトリックベイズによるメディア処理 202.. 5 AI チャレンジ研究会 NTT コミュニケーション科学基礎研究所中野允裕 nakano.masahiro@lab.ntt.co.jp 5,6 年前であれば 教科書に載っているような各種ツールのノンパラベイズ化が話題の中心になっていたが 主成分分析 非負値行列分解 確率文脈自由文法 独立成分分析 隠れマルコフモデル n-gram ダイナミックベイジアンネット
More information¼§À�ÍýÏÀ – Ê×ÎòÅŻҼ§À�¤È¥¹¥Ô¥ó¤æ¤é¤® - No.7, No.8, No.9
No.7, No.8, No.9 email: takahash@sci.u-hyogo.ac.jp Spring semester, 2012 Introduction (Critical Behavior) SCR ( b > 0) Arrott 2 Total Amplitude Conservation (TAC) Global Consistency (GC) TAC 2 / 25 Experimental
More information生命情報学
生命情報学 5 隠れマルコフモデル 阿久津達也 京都大学化学研究所 バイオインフォマティクスセンター 内容 配列モチーフ 最尤推定 ベイズ推定 M 推定 隠れマルコフモデル HMM Verアルゴリズム EMアルゴリズム Baum-Welchアルゴリズム 前向きアルゴリズム 後向きアルゴリズム プロファイル HMM 配列モチーフ モチーフ発見 配列モチーフ : 同じ機能を持つ遺伝子配列などに見られる共通の文字列パターン
More informationNote.tex 2008/09/19( )
1 20 9 19 2 1 5 1.1........................ 5 1.2............................. 8 2 9 2.1............................. 9 2.2.............................. 10 3 13 3.1.............................. 13 3.2..................................
More information,398 4% 017,
6 3 JEL Classification: D4; K39; L86,,., JSPS 34304, 47301.. 1 01301 79 1 7,398 4% 017,390 01 013 1 1 01 011 514 8 1 Novos and Waldman (1984) Johnson (1985) Chen and Png (003) Arai (011) 3 1 4 3 4 5 0
More information, 1), 2) (Markov-Switching Vector Autoregression, MSVAR), 3) 3, ,, , TOPIX, , explosive. 2,.,,,.,, 1
2016 1 12 4 1 2016 1 12, 1), 2) (Markov-Switching Vector Autoregression, MSVAR), 3) 3, 1980 1990.,, 225 1986 4 1990 6, TOPIX,1986 5 1990 2, explosive. 2,.,,,.,, 1986 Q2 1990 Q2,,. :, explosive, recursiveadf,
More informatione a b a b b a a a 1 a a 1 = a 1 a = e G G G : x ( x =, 8, 1 ) x 1,, 60 θ, ϕ ψ θ G G H H G x. n n 1 n 1 n σ = (σ 1, σ,..., σ N ) i σ i i n S n n = 1,,
01 10 18 ( ) 1 6 6 1 8 8 1 6 1 0 0 0 0 1 Table 1: 10 0 8 180 1 1 1. ( : 60 60 ) : 1. 1 e a b a b b a a a 1 a a 1 = a 1 a = e G G G : x ( x =, 8, 1 ) x 1,, 60 θ, ϕ ψ θ G G H H G x. n n 1 n 1 n σ = (σ 1,
More information,,,,., = (),, (1) (4) :,,,, (1),. (2),, =. (3),,. (4),,,,.. (1) (3), (4).,,., () : = , ( ) : = F 1 + F 2 + F 3 + ( ) : = i Fj j=1 2
6 2 6.1 2 2, 2 5.2 R 2, 2 (R 2, B, µ)., R 2,,., 1, 2, 3,., 1, 2, 3,,. () : = 1 + 2 + 3 + (6.1.1).,,, 1 ,,,,., = (),, (1) (4) :,,,, (1),. (2),, =. (3),,. (4),,,,.. (1) (3), (4).,,., () : = 1 + 2 + 3 +,
More informationzsj2017 (Toyama) program.pdf
88 th Annual Meeting of the Zoological Society of Japan Abstracts 88 th Annual Meeting of the Zoological Society of Japan Abstracts 88 th Annual Meeting of the Zoological Society of Japan Abstracts 88
More information88 th Annual Meeting of the Zoological Society of Japan Abstracts 88 th Annual Meeting of the Zoological Society of Japan Abstracts 88 th Annual Meeting of the Zoological Society of Japan Abstracts 88
More information_170825_<52D5><7269><5B66><4F1A>_<6821><4E86><5F8C><4FEE><6B63>_<518A><5B50><4F53><FF08><5168><9801><FF09>.pdf
88 th Annual Meeting of the Zoological Society of Japan Abstracts 88 th Annual Meeting of the Zoological Society of Japan Abstracts 88 th Annual Meeting of the Zoological Society of Japan Abstracts 88
More information1. はじめに 2
点予測と能動学習を用いた効率的なコーパス構築 形態素解析における実証実験 京都大学情報学研究科 Graham NEUBIG 1 1. はじめに 2 形態素解析 べた書きの文字列を意味のある単位に分割し 様々な情報を付与 品詞 基本形 読み 発音等を推定 農産物価格安定法を施行した 価格 / 名詞 / 価格 / かかく / かかく安定 / 名詞 / 安定 / あんてい / あんてー法 / 接尾辞 /
More informationPowerPoint プレゼンテーション
ロボットの計画と制御 マルコフ決定過程 確率ロボティクス 14 章 http://www.probabilistic-robotics.org/ 1 14.1 動機付けロボットの行動選択のための確率的なアルゴリズム 目的 予想される不確かさを最小化したい. ロボットの動作につての不確かさ (MDP で考える ) 決定論的な要素 ロボット工学の理論の多くは, 動作の影響は決定論的であるという仮定のもとに成り立っている.
More information4d_06.dvi
Learning and Recognition of Time-Series Data Based on Self-Organizing Incremental Neural Network Shogo OKADA and Osamu HASEGAWA Self-Organizing Incremental Neural Network (SOINN) DP [12] DP SOINN HMM (Hidden
More informationchap9.dvi
9 AR (i) (ii) MA (iii) (iv) (v) 9.1 2 1 AR 1 9.1.1 S S y j = (α i + β i j) D ij + η j, η j = ρ S η j S + ε j (j =1,,T) (1) i=1 {ε j } i.i.d(,σ 2 ) η j (j ) D ij j i S 1 S =1 D ij =1 S>1 S =4 (1) y j =
More informationTOP URL 1
TOP URL http://amonphys.web.fc2.com/ 1 30 3 30.1.............. 3 30.2........................... 4 30.3...................... 5 30.4........................ 6 30.5.................................. 8 30.6...............................
More informationuntitled
18 1 2,000,000 2,000,000 2007 2 2 2008 3 31 (1) 6 JCOSSAR 2007pp.57-642007.6. LCC (1) (2) 2 10mm 1020 14 12 10 8 6 4 40,50,60 2 0 1998 27.5 1995 1960 40 1) 2) 3) LCC LCC LCC 1 1) Vol.42No.5pp.29-322004.5.
More information