較バンディットアルゴリズムを いた クラウドソーシングにおける 品質 コストトレードオフの 動調整 畠正和, 宮 純平, 場雪乃 北海道 学 /NTT, 東京 学, 京都 学
|
|
- ひとお ちづ
- 4 years ago
- Views:
Transcription
1 較バンディットアルゴリズムを いた クラウドソーシングにおける 品質 コストトレードオフの 動調整 畠正和, 宮 純平, 場雪乃 北海道 学 /NTT, 東京 学, 京都 学
2 今 のお話 ( 枚概要 ) 2 問題 クラウドソーシングの品質 コストトレードオフを調整 最終成果物の品質をできるだけ下げず コストを削減 法 較バンディットアルゴリズムを利 有 な Worker を推定しながら Task を依頼 結果 実データでコストを 30~50% に削減 品質はほぼそのまま
3 次 3 研究背景 Copeland Two Stage Pairwise Model 較バンディット + Online CTSPM 実験 まとめ 今後の課題
4 クラウドソーシング クラウドソーシングとは インターネットを介して 様々な仕事 Task を 不特定多数の労働者 Worker に依頼し ( 安価に ) 成果物 Artifact を得る枠組み 4 AI に 配される 々 クラウドソーシングの利 例 画像のアノテーション 翻訳 説明 の 成 イベントロゴの作成
5 クラウドソーシングの課題 5 Worker の能 にばらつきがある 能 やる気が異なる 得意 不得意がある 複数の Artifact を統合して品質を上げる 2 値分類タスク 多数決 絶対評価値タスク 平均 英 翻訳タスク??? Artifact が統合できない場合がある 最も品質が い Artifact を選べばいい!! どうやって各 Artifact の品質を知る?
6 Two Stage Model [Baba+ 13] 6 各 Artifact の品質もクラウドソーシングで評価 1. Creation Stage Creator が Task に対する Artifact を 成 2. Evaluation Stage Evaluator が Artifact に対する絶対評価を 成 3. 最終成果物の決定 複数の Evaluator の絶対評価を統合 (ex. 平均 ) 統合した評価から最も優れた Artifact を選択
7 Two Stage Model の課題 絶対評価は難しい 複数 で評価基準を共有するのは困難 全体的に く 低く付ける がいる 絶対評価はコストが い 各 Artifact を注意深く評価する必要がある い専 学 7
8 Two Stage Pairwise Model [Sunahase+ 17] 8 2 つの Artifact のうち優れた を選ぶ 1. Creation Stage Creator が Task に対する Artifact を 成 2. Evaluation Stage Evaluator が Artifact に対する相対評価を 成 3. 最終成果物の決定 複数の 較結果から最も優れた Artifact を選択
9 Two Stage Pairwise Model の課題 9 全対 較はコストが い 1 回の 較コストは低い 全対 較のコスト = O( Artifact 数の2 乗 ) 下 に 較を減らすと品質が下がる 最終成果物の決定法が 明ではない 較結果と Artifact の品質の関係は?
10 本研究の 的 10 的 Two Stage Pairwise Model のコストを減らす 最終成果物の品質はできるだけ下げない 提案 法 Copeland Two Stage Pairwise Model 較バンディット + Online CTSPM
11 次 11 研究背景 Copeland Two Stage Pairwise Model 較バンディット + Online CTSPM 実験 まとめ 今後の課題
12 Notation 12 l = Task の数 t [l] m = Creator の数 i, j [m] n = Evaluator の数 k [n] a t,i = Task t [l] に対する Creator i [m] の Artifact w t,i,j,k = a t,i と a t,j の Evaluator k [m] による 較結果 w t,i,j,k = 1 : k は a t,i の がよいと判断 (a t,i の勝ち ) w t,i,j,k = 0 : k は a t,j の がよいと判断 (a t,i の負け ) A = 得られた a t,i すべての集合 W = 得られた w t,i,j,k すべての集合
13 Two Stage Pairwise Model ( 再掲 ) Creator が Artifact A を 成 2. Evaluator が全対 較結果 W を 成 3. W から最終成果物 A final A を決定 q(a final ) = A final の平均品質 ( 観測できない ) q(a final ) が くなるように A final を選択 W と q(a final ) の関係に何らかの仮定が必要
14 Copeland Two Stage Pairwise Model 14 仮定 1: W の分布 w t,i,j,k ~ Bernouli(p * k,i,j ) P * k [0,1]m m : k の選好 列 p * k,i,j = (P* k ) i,j : k の Creator i, j に関する選好 解釈 勝率 p * k,i,j は Task t によらない Creator i, j の Evaluator k の判断による勝率は Task に関して不変
15 Copeland Two Stage Pairwise Model 15 仮定 2: W と q(a) の関係 L * i < L* j E[q(A i )] > E[q(A j )] P * = P * k の平均 : 真の選好 L * i = {j [m] p* i,j < ½} : P* 上での負け数 A i = {a t,i t [l]} 解釈 Copeland 勝者 : c * = argmin i [m] L * i E[ q(a c* ) ] が最も い
16 Copeland Two Stage Pairwise Model A, W をクラウドソーシングにより得る 2. 経験勝率 pʼi,j を計算 pʼi,j = Σ t [l] Σ k [m] w t,i,j,k / lm 3. 経験負け数 Lʼi を計算 Lʼi = {j [m] pʼi,j < ½ } 4. 経験 Copeland 勝者 cʼ を計算 cʼ = argmin i [m] Lʼi 5. A final = {a t,cʼ t [l]} を出
17 Copeland TSPM のコスト 17 C C : Creator 1 に Artifact 1 つを作成してもらうコスト C E : Evaluator 1 に Artifact 2 つを 較してもらうコスト C CTSPM : Copeland TSPM を実 するコスト C CTSPM = l (mc C + m(m-1)/2 nc E ) m 2 の項がネック à 無駄な 較を減らしたい
18 Online CTSPM t, i, j, k を何らかの 法で選ぶ 2. Creator i, j に Task t を依頼して a t,i, a t,j を得る 3. Evaluator k に a t,i, a t,j の 較を依頼して w t,i,j,k を得る ( ラウンド ) を s 回繰り返す 5. s 個の 較結果から何らかの 法で経験 Copeland 勝者 cʼ を計算し,A final = {a t,cʼ t [l]} を出
19 Online CTSPM のコスト 19 C C : Creator 1 に Artifact 1 つを作成してもらうコスト C E : Evaluator 1 に Artifact 2 つを 較してもらうコスト C CTSPM : Copeland TSPM を実 するコスト C CTSPM = l (mc C + m(m-1)/2 nc E ) C OCTSPM : Online CTSPM を実 するコスト C OCTSPM < s(2c C + C E ) + lc C
20 次 20 研究背景 Copeland Two Stage Pairwise Model 較バンディット + Online CTSPM 実験 まとめ 今後の課題
21 Online CTSPM t, i, j, k を何らかの 法で選ぶ 2. Creator i, j に Task t を依頼して a t,i, a t,j を得る 3. Evaluator k に a t,i, a t,j の 較を依頼して w t,i,j,k を得る ( ラウンド ) を s 回繰り返す 5. s 個の 較結果から何らかの 法で経験 Copeland 勝者 cʼ を計算し,A final = {a t,cʼ t [l]} を出
22 較バンディットを いた OCTSPM ( 再掲 ) 22 Copeland TSPM の仮定 1. w t,i,j,k ~ Bernouli(p * k,i,j ) 2. E[ q(a c* ) ] が 番 い c* = P* の Copeland 勝者 P * = Σ P * k / n à t, k はランダムに選んで良い à 効率よく c * を推定できれば良い 各ラウンドで c * らしい Creator i, j を選ぶ問題 較バンディット問題そのもの!!
23 確率的バンディット問題 m 個の選択肢 μi [0,1] : 選択肢 i の期待値 (観測できない) アルゴリズム 各ラウンド sʼ で選択肢から 1つ 選び i(sʼ) とする i(sʼ) から報酬 R(sʼ) {0, 1} を得る 的 R(sʼ) ~ Bernoulli(μi(sʼ)) Regret(s) = Σsʼ [s] ( μmax μi(sʼ) ) の最 化 μmax = max{μi i 学 23
24 較バンディット問題 m 個の選択肢 (今回は Creator の集合) pi,j = i の j に対する勝率 (観測できない) アルゴリズム 各ラウンド sʼ で選択肢から 2つ 選び i(sʼ), j(sʼ) とする i(sʼ), j(sʼ) の勝敗 w(sʼ) {0,1} を得る [Yue+ 12] 24 的 w(sʼ) ~ Bernoulli(pi(sʼ),j(sʼ)) i(s ) Regret(s) = Σsʼ [s] (Li(sʼ) + Lj(sʼ) - 2Lmin) を最 化 Li = {j [m] pi,j < ½} Lmin = min{li i 学 j(s )
25 貫性 (Strongly Consistent) 25 アルゴリズムが 貫性を持つ E[ Regret(s) ] = o(s α ) を達成する 仮説 c* cʼ が有意 準 1/s で棄却できる OCTSPM + 貫性のあるアルゴリズム 統計的に保証のあるコスト削減が可能
26 較バンディットによるコスト削減 26 無駄な 較を減らす Copeland 勝者の候補だけに仕事を依頼 Copeland 勝者の特定だけに 較を利 推定に 信があるときはコストを減らす 現時点での Copeland 勝者の推定に がある ときは そもそも 較をしない
27 較バンディットアルゴリズム ランダム (baseline) ランダムに i(sʼ), j(sʼ) を選ぶ 貫性なし 2. Copeland Confidence Bound (CCB) [Zoghi+ 15] Upper Confidence Bound (UCB) の拡張 楽観的に Copeland 勝者である確率を推定 3. ECW-RMED [Komiyama+ 16] Minimum Empirical Divergence (MED) の拡張 Copeland 勝者である確率が 1/sʼ 以上のものを順に試す
28 次 28 研究背景 Copeland Two Stage Pairwise Model 較バンディット + Online CTSPM 実験 まとめ 今後の課題
29 実験設定 29 的 CTSPM vs Online CTSPM w/ Dueling Bandits コスト削減できていることを確認 品質が きく低下しないことを確認 データ TSPM で得られた実データ (A + W) 同時に TSM で各 Artifact に絶対評価 (5 段階評価 ) も取得 詳細は後述 結果 経験負け数 Lʼi vs 平均品質 q(a i ) コスト削減率 R vs 経験負け数 Lʼc* コスト削減率 R vs 平均品質 q(a c* )
30 データ セット 30 Translation Task = 英 翻訳 l, m, n = 20, 20, 187 A = 200 W = 16,314 Description Task = 画像説明 l, m, n = 20, 17, 68 A = 190 W = 15,980
31 経験負け数 L i vs 平均品質 q(a i ) 31 両データとも Copeland 勝者が最 品質 Description Translation
32 コスト削減率 R vs 負け数 L i 32 30~50% のコストで Copeland 勝者を推定 Description Translation
33 コスト削減率 R vs 平均品質 q(a c* ) 33 30~50% で CTSPM とほぼ同じ品質を達成 Description Translation
34 次 34 研究背景 Copeland Two Stage Pairwise Model 較バンディット + Online CTSPM 実験 まとめ 今後の課題
35 まとめ 今後の課題 35 まとめ TSPM における品質 コストトレードオフを 動調整する 法を提案 Online Copeland TSPM + 較バンディット 実データにおいて 30~50 % のコスト削減 最終的な品質はほぼそのまま 今後の課題 より弱い仮定の 法を考える ex) Task 毎に分布が異なる Evaluator の能 を考慮する 今回は平均化により能 の違いを吸収している
2
1 12123456789012345678901234 12123456789012345678901234 12123456789012345678901234 12123456789012345678901234 12123456789012345678901234 12123456789012345678901234 12123456789012345678901234 12123456789012345678901234
More informationMicrosoft PowerPoint - 14MDL.pptx
オッカムの剃刀 (Occam s razor) MDL 原理 データマイニング 機械学習の仕事は データを表現するモデルを探すことだと言える 例 : ガウス混合モデル, ( 等方正規分布の ) 混合 (k means 法 ). Model vs Hypotesis では 正しいモデルとは何か? どうやって選ぶか? オッカムの剃刀 : それ以外の条件が全て同じなら, 最も単純なモデルが最良である. 人生訓としてもよかろう
More informationEBNと疫学
推定と検定 57 ( 復習 ) 記述統計と推測統計 統計解析は大きく 2 つに分けられる 記述統計 推測統計 記述統計 観察集団の特性を示すもの 代表値 ( 平均値や中央値 ) や ばらつきの指標 ( 標準偏差など ) 図表を効果的に使う 推測統計 観察集団のデータから母集団の特性を 推定 する 平均 / 分散 / 係数値などの推定 ( 点推定 ) 点推定値のばらつきを調べる ( 区間推定 ) 検定統計量を用いた検定
More information解析センターを知っていただく キャンペーン
005..5 SAS 問題設定 目的 PKパラメータ (AUC,Cmax,Tmaxなど) の推定 PKパラメータの群間比較 PKパラメータのバラツキの評価! データの特徴 非反復測定値 個体につき 個の測定値しか得られない plasma concentration 非反復測定値のイメージ図 測定時点間で個体の対応がない 着目する状況 plasma concentration 経時反復測定値のイメージ図
More informationビジネス統計 統計基礎とエクセル分析 正誤表
ビジネス統計統計基礎とエクセル分析 ビジネス統計スペシャリスト エクセル分析スペシャリスト 公式テキスト正誤表と学習用データ更新履歴 平成 30 年 5 月 14 日現在 公式テキスト正誤表 頁場所誤正修正 6 知識編第 章 -3-3 最頻値の解説内容 たとえば, 表.1 のデータであれば, 最頻値は 167.5cm というたとえば, 表.1 のデータであれば, 最頻値は 165.0cm ということになります
More information読めば必ずわかる 分散分析の基礎 第2版
2 2003 12 5 ( ) ( ) 2 I 3 1 3 2 2? 6 3 11 4? 12 II 14 5 15 6 16 7 17 8 19 9 21 10 22 11 F 25 12 : 1 26 3 I 1 17 11 x 1, x 2,, x n x( ) x = 1 n n i=1 x i 12 (SD ) x 1, x 2,, x n s 2 s 2 = 1 n n (x i x)
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 informationWINET情報
WINETCONTENTS 1 2 3 Q&A Q A 4 Q A 5 Q A 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 No. 10. 1. 11. 2. 12. 3. 4. 13. 5. 14. 6. 7. 15. 8. 9. 16. 33 17. 33. 34. 35. 18. 19. 36.
More informationii 3.,. 4. F. (), ,,. 8.,. 1. (75% ) (25% ) =9 7, =9 8 (. ). 1.,, (). 3.,. 1. ( ).,.,.,.,.,. ( ) (1 2 )., ( ), 0. 2., 1., 0,.
23(2011) (1 C104) 5 11 (2 C206) 5 12 http://www.math.is.tohoku.ac.jp/~obata,.,,,.. 1. 2. 3. 4. 5. 6. 7.,,. 1., 2007 ( ). 2. P. G. Hoel, 1995. 3... 1... 2.,,. ii 3.,. 4. F. (),.. 5.. 6.. 7.,,. 8.,. 1. (75%
More informationJA2008
A1 1 10 vs 3 2 1 3 2 0 3 2 10 2 0 0 2 1 0 3 A2 3 11 vs 0 4 4 0 0 0 0 0 3 6 0 1 4 x 11 A3 5 4 vs 5 6 5 1 0 0 3 0 4 6 0 0 1 0 4 5 A4 7 11 vs 2 8 8 2 0 0 0 0 2 7 2 7 0 2 x 11 A5 9 5 vs 3 10 9 4 0 1 0 0 5
More information_KyoukaNaiyou_No.4
理科教科内容指導論 I : 物理分野 物理現象の定量的把握第 4 回 ( 実験 ) データの眺め ~ 統計学の基礎続き 統計のはなし 基礎 応 娯楽 (Best selected business books) 村平 科技連出版社 1836 円 前回の復習と今回以降の 標 東京 学 善 郎 Web サイトより データ ヒストグラム 代表値 ( 平均値 最頻値 中間値 ) 分布の散らばり 集団の分布
More information<4D F736F F D208EC08CB18C7689E68A E F AA957A82C682948C9F92E82E646F63>
第 7 回 t 分布と t 検定 実験計画学 A.t 分布 ( 小標本に関する平均の推定と検定 ) 前々回と前回の授業では, 標本が十分に大きいあるいは母分散が既知であることを条件に正規分布を用いて推定 検定した. しかし, 母集団が正規分布し, 標本が小さい場合には, 標本分散から母分散を推定するときの不確実さを加味したt 分布を用いて推定 検定しなければならない. t 分布は標本分散の自由度 f(
More information土壌環境行政の最新動向(環境省 水・大気環境局土壌環境課)
201022 1 18801970 19101970 19201960 1970-2 1975 1980 1986 1991 1994 3 1999 20022009 4 5 () () () () ( ( ) () 6 7 Ex Ex Ex 8 25 9 10 11 16619 123 12 13 14 5 18() 15 187 1811 16 17 3,000 2241 18 19 ( 50
More informationsyuryoku
248 24622 24 P.5 EX P.212 2 P271 5. P.534 P.690 P.690 P.690 P.690 P.691 P.691 P.691 P.702 P.702 P.702 P.702 1S 30% 3 1S 3% 1S 30% 3 1S 3% P.702 P.702 P.702 P.702 45 60 P.702 P.702 P.704 H17.12.22 H22.4.1
More information301-A2.pdf
301 21 1 (1),, (3), (4) 2 (1),, (3), (4), (5), (6), 3,?,?,??,?? 4 (1)!?, , 6 5 2 5 6 1205 22 1 (1) 60 (3) (4) (5) 2 (1) (3) (4) 3 (1) (3) (4) (5) (6) 4 (1) 5 (1) 6 331 331 7 A B A B A B A 23 1 2 (1) (3)
More informationNo. 1261 2003. 4. 9 14 14 14 14 15 30 21 19 150 35 464 37 38 40 20 970 90 80 90 181130 a 151731 48 11 151731 42 44 47 63 12 a 151731 47 10 11 16 2001 11000 11 2002 10 151731 46 5810 2795195261998 151731
More informationr
73 29 2008 200 4 416 2008 20 042 0932 10 1977 200 1 2 3 4 5 7 8 9 11 12 14 15 16 17 18 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 200r 11 1 1 1 1 700200 200
More informationProbit , Mixed logit
Probit, Mixed logit 2016/5/16 スタートアップゼミ #5 B4 後藤祥孝 1 0. 目次 Probit モデルについて 1. モデル概要 2. 定式化と理解 3. 推定 Mixed logit モデルについて 4. モデル概要 5. 定式化と理解 6. 推定 2 1.Probit 概要 プロビットモデルとは. 効用関数の誤差項に多変量正規分布を仮定したもの. 誤差項には様々な要因が存在するため,
More information自動車感性評価学 1. 二項検定 内容 2 3. 質的データの解析方法 1 ( 名義尺度 ) 2.χ 2 検定 タイプ 1. 二項検定 官能検査における分類データの解析法 識別できるかを調べる 嗜好に差があるかを調べる 2 点比較法 2 点識別法 2 点嗜好法 3 点比較法 3 点識別法 3 点嗜好
. 内容 3. 質的データの解析方法 ( 名義尺度 ).χ 検定 タイプ. 官能検査における分類データの解析法 識別できるかを調べる 嗜好に差があるかを調べる 点比較法 点識別法 点嗜好法 3 点比較法 3 点識別法 3 点嗜好法 : 点比較法 : 点識別法 配偶法 配偶法 ( 官能評価の基礎と応用 ) 3 A か B かの判定において 回の判定でAが選ばれる回数 kは p の二項分布に従う H :
More informationMicrosoft PowerPoint - OS12.pptx
# # この資料は 情報工学レクチャーシリーズ松尾啓志著 ( 森北出版株式会社 ) を用いて授業を行うために 名古屋工業大学松尾啓志 津邑公暁が作成しました パワーポイント 7 で最終版として保存しているため 変更はできませんが 授業でお使いなる場合は松尾 (matsuo@nitech.ac.jp) まで連絡いただければ 編集可能なバージョンをお渡しする事も可能です # 主記憶管理 : ページ置き換え方式
More information第7章
5. 推定と検定母集団分布の母数を推定する方法と仮説検定の方法を解説する まず 母数を一つの値で推定する点推定について 推定精度としての標準誤差を説明する また 母数が区間に存在することを推定する信頼区間も取り扱う 後半は統計的仮説検定について述べる 検定法の基本的な考え方と正規分布および二項確率についての検定法を解説する 5.1. 点推定先に述べた統計量は対応する母数の推定値である このように母数を一つの値およびベクトルで推定する場合を点推定
More information様々なミクロ計量モデル†
担当 : 長倉大輔 ( ながくらだいすけ ) この資料は私の講義において使用するために作成した資料です WEB ページ上で公開しており 自由に参照して頂いて構いません ただし 内容について 一応検証してありますが もし間違いがあった場合でもそれによって生じるいかなる損害 不利益について責任を負いかねますのでご了承ください 間違いは発見次第 継続的に直していますが まだ存在する可能性があります 1 カウントデータモデル
More information情報工学概論
確率と統計 中山クラス 第 11 週 0 本日の内容 第 3 回レポート解説 第 5 章 5.6 独立性の検定 ( カイ二乗検定 ) 5.7 サンプルサイズの検定結果への影響練習問題 (4),(5) 第 4 回レポート課題の説明 1 演習問題 ( 前回 ) の解説 勉強時間と定期試験の得点の関係を無相関検定により調べる. データ入力 > aa
More information混沌系工学特論 #5
混沌系工学特論 #5 情報科学研究科井上純一 URL : htt://chaosweb.comlex.eng.hokudai.ac.j/~j_inoue/ Mirror : htt://www5.u.so-net.ne.j/j_inoue/index.html 平成 17 年 11 月 14 日第 5 回講義 デジタルデータの転送と復元再考 P ({ σ} ) = ex σ ( σσ ) < ij>
More information第Ⅱ編/労働移動と地域の発展
Introduction Introduction 京都大学森知也先生講義 空間経済学 HP より転載 Thu nen Fig. Thu nen rings Introduction Thu nen 第 4 章 独占的競争のディクシット = スティグリッツのモデルとその空間経済への拡張 U = M μ A 1'μ (4.1) M: 工業品の消費を示す合成指数 μ: 工業品への支出割合を表す定数 A:
More information平成20年5月 協会創立50年の歩み 海の安全と環境保全を目指して 友國八郎 海上保安庁 長官 岩崎貞二 日本船主協会 会長 前川弘幸 JF全国漁業協同組合連合会 代表理事会長 服部郁弘 日本船長協会 会長 森本靖之 日本船舶機関士協会 会長 大内博文 航海訓練所 練習船船長 竹本孝弘 第二管区海上保安本部長 梅田宜弘
More information
SIGIR2013 勉強会 Session 11: Evaluation I 担当 : 加藤 ( 京都大学 )
SIGIR2013 勉強会 Session 11: Evaluation I 担当 : 加藤 ( 京都大学 ) Evaluation I 1. On the Measurement of Test Collection Reliability Julián Urbano (University Carlos III of Madrid), Mónica Marrero (University Carlos
More information1 (1) () (3) I 0 3 I I d θ = L () dt θ L L θ I d θ = L = κθ (3) dt κ T I T = π κ (4) T I κ κ κ L l a θ L r δr δl L θ ϕ ϕ = rθ (5) l
1 1 ϕ ϕ ϕ S F F = ϕ (1) S 1: F 1 1 (1) () (3) I 0 3 I I d θ = L () dt θ L L θ I d θ = L = κθ (3) dt κ T I T = π κ (4) T I κ κ κ L l a θ L r δr δl L θ ϕ ϕ = rθ (5) l : l r δr θ πrδr δf (1) (5) δf = ϕ πrδr
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 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 information統計的データ解析
統計的データ解析 011 011.11.9 林田清 ( 大阪大学大学院理学研究科 ) 連続確率分布の平均値 分散 比較のため P(c ) c 分布 自由度 の ( カイ c 平均値 0, 標準偏差 1の正規分布 に従う変数 xの自乗和 c x =1 が従う分布を自由度 の分布と呼ぶ 一般に自由度の分布は f /1 c / / ( c ) {( c ) e }/ ( / ) 期待値 二乗 ) 分布 c
More information第18回海岸シンポジウム報告書
2011.6.25 2011.6.26 L1 2011.6.27 L2 2011.7.6 2011.12.7 2011.10-12 2011.9-10 2012.3.9 23 2012.4, 2013.8.30 2012.6.13 2013.9 2011.7-2011.12-2012.4 2011.12.27 2013.9 1m30 1 2 3 4 5 6 m 5.0m 2.0m -5.0m 1.0m
More information1 911 34/ 22 1012 2/ 20 69 3/ 22 69 1/ 22 69 3/ 22 69 1/ 22 68 3/ 22 68 1/ 3 8 D 0.0900.129mm 0.1300.179mm 0.1800.199mm 0.1000.139mm 0.1400.409mm 0.4101.199mm 0.0900.139mm 0.1400.269mm 0.2700.289mm
More information液晶ディスプレイ取説TD-E432/TD-E502/TD-E552/TD-E652/TD-E432D/TD-E502D
1 2 3 4 5 6 7 1 2 3 4 5 6 7 2 2 2 1 1 2 9 10 11 12 13 14 15 16 17 1 8 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 9 11 12 13 13 14 15 16 17 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 1 2 3 4 5 6 7 8 9 11 12
More information000-.\..
1 1 1 2 3 4 5 6 7 8 9 e e 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 10mm 150mm 60mm 25mm 40mm 30mm 25 26 27 1 28 29 30 31 32 e e e e e e 33 e 34 35 35 e e e e 36 37 38 38 e e 39 e 1 40 e 41 e 42 43
More information1 1 36 223 42 14 92 4 3 2 1 4 3 4 3429 13536 5 6 7 8 9 2.4m/ (M) (M) (M) (M) (M) 6.67.3 6.57.2 6.97.6 7.27.8 8.4 5 6 5 6 5 5 74 1,239 0 30 21 ( ) 1,639 3,898 0 1,084 887 2 5 0 2 2 4 22 1 3 1 ( :) 426 1500
More information1 C 2 C 3 C 4 C 1 C 2 C 3 C
1 e N >. C 40 41 2 >. C 3 >.. C 26 >.. C .mm 4 C 106 e A 107 1 C 2 C 3 C 4 C 1 C 2 C 3 C 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124
More information(1519) () 1 ( ) () 1 ( ) - 1 - - 2 - (1531) (25) 5 25,000 (25) 5 30,000 25,000 174 3 323 174 3 323 (1532) () 2 () 2-3 - - 4 - (1533) () 1 (2267)204 () (1)(2) () 1 (2267)204 () (1)(2) (3) (3) 840,000 680,000
More information平成24年財政投融資計画PDF出後8/016‐030
24 23 28,707,866 2,317,737 26,390,129 29,289,794 2,899,665 24 23 19,084,525 21,036,598 1952,073 24 23 8,603,613 8,393,427 967,631 925,404 202,440 179,834 217,469 219,963 66,716 64,877 3,160,423 2,951,165
More information1 2 http://www.japan-shop.jp/ 3 4 http://www.japan-shop.jp/ 5 6 http://www.japan-shop.jp/ 7 2,930mm 2,700 mm 2,950mm 2,930mm 2,950mm 2,700mm 2,930mm 2,950mm 2,700mm 8 http://www.japan-shop.jp/ 9 10 http://www.japan-shop.jp/
More information[mm] [mm] [mm] 70 60 50 40 30 20 10 1H 0 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 60 50 40 30 20 10 0 18 19 20 21 22 23 24 1 2 3 4
More information基礎統計
基礎統計 第 11 回講義資料 6.4.2 標本平均の差の標本分布 母平均の差 標本平均の差をみれば良い ただし, 母分散に依存するため場合分けをする 1 2 3 分散が既知分散が未知であるが等しい分散が未知であり等しいとは限らない 1 母分散が既知のとき が既知 標準化変量 2 母分散が未知であり, 等しいとき 分散が未知であるが, 等しいということは分かっているとき 標準化変量 自由度 の t
More information4. :,,, :p , :, :p (141/204//S, 141.5/2//W) 5.,,, :p (141.5/5//W) 6. : 21,,, : (141/208//S, 141.5/4//W) 7. 1,,19
5 (1997 ),,,,, ( ) 1 1. :,,1997.4 :p201-205 (401/943//S, 401/570//W) 2. :,,1997.7 : p5-18 (141.5/67//H, 141/547//W) 3. : J,,,,,1998.6 : p17-39 (141.5/72//H) 4. :,,,1999.2 :p210-224, :, :p206-209 (141/204//S,
More information統計学 - 社会統計の基礎 - 正規分布 標準正規分布累積分布関数の逆関数 t 分布正規分布に従うサンプルの平均の信頼区間 担当 : 岸 康人 資料ページ :
統計学 - 社会統計の基礎 - 正規分布 標準正規分布累積分布関数の逆関数 t 分布正規分布に従うサンプルの平均の信頼区間 担当 : 岸 康人 資料ページ : https://goo.gl/qw1djw 正規分布 ( 復習 ) 正規分布 (Normal Distribution)N (μ, σ 2 ) 別名 : ガウス分布 (Gaussian Distribution) 密度関数 Excel:= NORM.DIST
More informationプロジェクトを成功させる見積りモデルの構築と維持・改善 ~CoBRA法による見積りモデル構築とその活用方法について~
工数見積り手法 CoBRA ~ 勘 を見える化する見積り手法 ~ CoBRA 研究会 2011 年 5 月 情報技術研究センターシステム技術グループ Copyright 2011 MRI, All Rights Reserved ご紹介する内容 1.CoBRA 法の概要 2.CoBRAツール 3.CoBRAモデルでの見積り 4.CoBRAモデルの応用 5.CoBRAモデルの構築 6. まとめ 2 Copyright
More information‚åŁÎ“·„´Šš‡ðŠp‡¢‡½‹âfi`fiI…A…‰…S…−…Y…•‡ÌMarkovŸA“½fiI›ð’Í
Markov 2009 10 2 Markov 2009 10 2 1 / 25 1 (GA) 2 GA 3 4 Markov 2009 10 2 2 / 25 (GA) (GA) L ( 1) I := {0, 1} L f : I (0, ) M( 2) S := I M GA (GA) f (i) i I Markov 2009 10 2 3 / 25 (GA) ρ(i, j), i, j I
More informationKumamoto University Center for Multimedia and Information Technologies Lab. 熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI 宮崎県美郷
熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI プロジェクト @ 宮崎県美郷町 熊本大学副島慶人川村諒 1 実験の目的 従来 信号の受信電波強度 (RSSI:RecevedSgnal StrengthIndcator) により 対象の位置を推定する手法として 無線 LAN の AP(AccessPont) から受信する信号の減衰量をもとに位置を推定する手法が多く検討されている
More information