トピックモデルの応用： 関係データ、ネットワークデータ
|
|
|
- よりお しげい
- 5 years ago
- Views:
Transcription
1 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
2 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
3 1. どの特徴量を利用するか? 2. 時系列性をどう扱うか? 3
4 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 F0: 発話のイントネーションやメロディを表現 MFCC: 人間の音声知覚を反映した ( とされる ) 特徴 F0: 波形の基本周波数 ピッチ 4
5 マルコフ性を仮定する時系列モデルを利用するのが王道ですが その必要があるかどうかの検討も必要です f t = g t τ τ dτ 5
6 Topic Model for speaker diarization [Ishiguro, 2012] Ishiguro et al., Probabilistic Speaker Diarization with Bag-of-Words Representations of Speaker Angle Information, IEEE Trans. ASLP, Vol. 20(2), pp ,
7 speaker diarization 複数の音源があるときに 各音源がいつ信号を発信したかを決定 応用範囲 : 会議の自動議事録作成 テレビ電話における発話者音声強調 ロボットと人間のインタラクションなど 7
8 diarization テーブルにマイクを置いて 会議状況を diarization します 一般に何人の話者がどこに座るかは事前にわかりません 話者は潜在的な隠れ要素です その時々によって発話者が代わります 各話者の発話状況は時間変化します 8
9 diarization 時刻 = 文書と考えると 各時刻の発話は複数の潜在トピック = 話者で表現できます トピック ( 話者 ) はわからないので推定します トピック分布に発話状況が反映されます t t θ t θ t 9
10 diarization とトピックモデルの共通点に気付いたことで 話者 = トピック と 各時刻の発話状態 = 文書のトピック分布 を同時に推定できます diarization に対するベイジアンモデルを提案できます 10
11 考えるべき 2 つの問題に以下のように対応します 特徴量 : 方向情報 (DOA) Bag of Angle Words 時系列性 : 非定常な話者分布変化 トピック分布の線形補間モデル 11
![2008] DOA:](/docs-images/95/125652150/images/12-2.jpg)
12 DOA [cf. Araki, 2008] DOA: 音の聞こえてくる方向の特徴量 クラスタリングによって 話者がどこにいるのか を推定できることが分かっています : Δt 12
13 : Bag of Angle Words [Ishiguro, 2012] 13
14 時間連続性 : ミリ秒単位の時間ステップでは 話者の発話分布は変わりません 時間非連続性 : 発言を受けての応答など 会議の流れにそって話者分布が変化します (turn-taking) つまり 話者の発話状態の変化自体が非定常になっています 14
15 : 話者分布の時間変化の非定常性を表すために 時変の補間係数を導入します θ t 1 w t θ t π t θ t = 1 w t θ t 1 + w t π t 15
16 : 簡単な線形モデルによる LDA の時間発展モデル 小規模 ~ 大幅な話者変化を表現可能 前時刻との依存度を w t で制御する θ t 1 w t θ t π t θ t = 1 w t θ t 1 + w t π t 16
17 各時刻の話者分布 q は 時刻ごとに独立な p の組み合わせで表現できます マルコフ性が消えて推論が簡単になります θ t = 1 w t θ t 1 + w t π t = 1 w t 1 w t 1 θ t 2 + w t 1 π t 1 + w t π t t = v tl π l l=1 t v tl = w l 1 w m m=l+1 17
18 LDA β k k=1,, K データ解析計算機 α θ d z d,n x d,n リンクソーシャルマイニング β k n=1,, N d z d,n n=1 d=1,, D 構造機械学習最適 θ d K n=2 n=3 x d,n [ 石黒 & 竹内, 2012] 18
19 Topic model for diarization μ 0 γ 0 ξ 0 ψ 0 α π t β k t=1,, T k=1,, K a 0 w t c t,n z t,n x t,n b 0 n=1,, N t t=1,, T θ t = 1 w t θ t 1 + w t π t t π t = v tl π l l=1 t v tl = w l 1 w m m=l+1 19
20 for 時間 t = 1, 2,, T innovation topic proportion π t α~dir α interpolation factor w t a 0, b 0 ~Beta a 0, b 0 for l = 1, 2,, t v tl = w l 1 w m m=l+1 for 単語 n = 1, 2,, N t,d t for speaker (topic) k = 1, 2,, K topic-angle word proportion β k μ 0, γ 0, ξ 0, ψ 0 ~NormalGamma μ 0, γ 0, ξ 0, ψ 0 20
21 for 時間 t = 1, 2,, T π t α~dirichlet α t v tl = w l 1 w m m=l+1 for 単語 n = 1, 2,, N t,d innovation topic dist.-word assignment c t,n v t ~Mult v t speaker-angle word assignment z t,n c t,n, π t ~Mult π ct,n Angle word observation x t,n z t,n, β t,k ~N β t,zd,n 21
22 Angle Words Bag of Angle word の値 ( 角度 位置 ) には意味があるので Normal から生成します π t n=1 n=2 n=3 z t,n c t,n, π t ~Multi π ct,n β k = μ k, σ 2 x t,n z t,n, β t,k ~N β t,zd,n 22
23 自動的に話者数も推定できます 発話していない話者に対応するトピックの重み z t.n.k は学習と共に 0 に近づきます 従って 存在しない 話者に対応するトピック k は以下を満たすかで判定できます 1 K t,n z t,n,k 1 K > z t,n,k t,n ( 実際にはほぼ 0 になります ) 23
24 論文では変分ベイズ法 (VB-EM) による解法が提案されています 具体的な式は煩雑になるので省略します 必要な方は論文をチェックしてください 24
25 v tl の定義から q t ( 時刻 t の話者分布 ) の学習には昔の分布の情報はほとんど影響しません すなわち 直近の情報だけを用いたオンライン ( 逐次 ) 学習が可能となります θ t = 1 w t θ t 1 + w t π t t = v tl π l l=1 t v tl = w l 1 w m m=l+1 25
26 [Ishiguro, 2012] 26
27 話者 4 人のデータからの speaker (topic) 学習結果 [Ishiguro, 2012] 27
28 [Ishiguro, 2012] 28
29 : Topic model for speaker diarizatoin トピックモデルにより speaker diarization タスクを解決できます 簡単な時間発展モデルで話者の切り替わり (turn-taking) も自然にモデル化 state-of-the-art の作りこんだモデルと comparable の性能 29
30 Ohtsuka et al., Bayesian Unification of Sound Source Localization and Separation with Permutation Resolution, in Proc. AAAI, Yoshii and Goto, A Nonparametric Bayesian Multiple Analyzer Based on Infinite Latent Harmonic Allocation, IEEE Trans. ASLP, Vol. 20(3), pp ,
31 [Ishiguro, 2012] Ishiguro et al., Probabilistic Speaker Diarization with Bag-of-Words Representations of Speaker Angle Information, IEEE Trans. ASLP, Vol. 20(2), pp , [Araki, 2008] Araki et al., A DOA based Speaker Diarization System for Real Meetings, in Proc. Joint Workshop Hndns-Free Speech Comm. Microphone Arrays, [ 石黒 & 竹内, 2012] 石黒, 竹内, 特徴的な構造を抽出するデータマイニング技術, NTT 技術ジャーナル, Vol. 24, No. 9,
Microsoft PowerPoint - Ishiguro_IBIS_presentation.pptx
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 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 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 フォ0 1 0 1 0 チローし0
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
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
ｎｓｇ０２－１３／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
positron 1930 Dirac 1933 Anderson m 22Na(hl=2.6years), 58Co(hl=71days), 64Cu(hl=12hour) 68Ge(hl=288days) MeV : thermalization m psec 100
positron 1930 Dirac 1933 Anderson m 22Na(hl=2.6years), 58Co(hl=71days), 64Cu(hl=12hour) 68Ge(hl=288days) 0.5 1.5MeV : thermalization 10 100 m psec 100psec nsec E total = 2mc 2 + E e + + E e Ee+ Ee-c mc
SAP11_03
第 3 回 音声音響信号処理 ( 線形予測分析と自己回帰モデル ) 亀岡弘和 東京大学大学院情報理工学系研究科日本電信電話株式会社 NTT コミュニケーション科学基礎研究所 講義内容 ( キーワード ) 信号処理 符号化 標準化の実用システム例の紹介情報通信の基本 ( 誤り検出 訂正符号 変調 IP) 符号化技術の基本 ( 量子化 予測 変換 圧縮 ) 音声分析 合成 認識 強調 音楽信号処理統計的信号処理の基礎
N 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 ; >
トピックモデルを用いた歌声特徴量の分析
1 トピックモデルを用いた 歌声特徴量の分析 中野倫靖, 吉井和佳, 後藤真孝 ( 産業技術総合研究所 ) 2013 年 9 月 1 日情報処理学会音楽情報科学研究会第 100 回記念シンポジウム 研究の背景 処理歌の特性を定量的に説明 ( モデル化 ) したい 歌手毎の歌い方の違いや類似性とは何か 例 ) 違う楽曲でも同じ歌手なら歌い方が似ている同じ楽曲でも違う歌手だと歌い方が違う 歌声 歌い方モデル
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
Probit , 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,
1 (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
日心TWS
2017.09.22 (15:40~17:10) 日本心理学会第 81 回大会 TWS ベイジアンデータ解析入門 回帰分析を例に ベイジアンデータ解析 を体験してみる 広島大学大学院教育学研究科平川真 ベイジアン分析のステップ (p.24) 1) データの特定 2) モデルの定義 ( 解釈可能な ) モデルの作成 3) パラメタの事前分布の設定 4) ベイズ推論を用いて パラメタの値に確信度を再配分ベイズ推定
ｎｓｇ０４－２８／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 !!
I II III IV V
I II III IV V N/m 2 640 980 50 200 290 440 2m 50 4m 100 100 150 200 290 390 590 150 340 4m 6m 8m 100 170 250 µ = E FRVβ β N/mm 2 N/mm 2 1.1 F c t.1 3 1 1.1 1.1 2 2 2 2 F F b F s F c F t F b F s 3 3 3
O1-1 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
untitled
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,
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
1 911 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
(trip) ( ) 1 1
9 2 2.1 2.1.1 1 (trip) 2.1 2.1 1 ( ) 1 1 10 2 4 4 4 2.1.2 4 4 1 4 4?? 2 2.2 4 2.1 11 OD OD OD (a) 4 OD 4 OD 12 2 (b) 4 1 2 (c) r s t rs 2 OD OD t rs (d) 1 1 2.1 13 OD () (e) 1 OD 3 (f) 4 4 4 4 1 4 4 14
PowerPoint プレゼンテーション
20150528 信号処理システム特論 本日の内容 適応フィルタ ( 時間領域 ) 適応アルゴリズム (LMS,NLMS,RLS) 適応フィルタの応用例 適応処理 非適応処理 : 状況によらずいつでも同じ処理 適応処理 : 状況に応じた適切な処理 高度な適応処理の例 雑音抑圧, 音響エコーキャンセラ, 騒音制御など 時間領域の適応フィルタ 誤差信号 与えられた手順に従ってフィルタ係数を更新し 自動的に所望の信号を得るフィルタ
NLMIXED プロシジャを用いた生存時間解析 伊藤要二アストラゼネカ株式会社臨床統計 プログラミング グループグルプ Survival analysis using PROC NLMIXED Yohji Itoh Clinical Statistics & Programming Group, A
NLMIXED プロシジャを用いた生存時間解析 伊藤要二アストラゼネカ株式会社臨床統計 プログラミング グループグルプ Survival analysis using PROC NLMIXED Yohji Itoh Clinical Statistics & Programming Group, AstraZeneca KK 要旨 : NLMIXEDプロシジャの最尤推定の機能を用いて 指数分布 Weibull
7 π L int = gψ(x)ψ(x)φ(x) + (7.4) [ ] p ψ N = n (7.5) π (π +,π 0,π ) ψ (σ, σ, σ )ψ ( A) σ τ ( L int = gψψφ g N τ ) N π * ) (7.6) π π = (π, π, π ) π ±
![7 π L int = gψ(x)ψ(x)φ(x) + (7.4) [ ] p ψ N = n (7.5) π (π +,π 0,π ) ψ (σ, σ, σ )ψ ( A) σ τ ( L int = gψψφ g N τ ) N π * ) (7.6) π π = (π, π, π ) π ±](/thumbs/91/106462075.jpg "7 π L int = gψ(x)ψ(x)φ(x) + (7.4) [ ] p ψ N = n (7.5) π (π +,π 0,π ) ψ (σ, σ, σ )ψ ( A) σ τ ( L int = gψψφ g N τ ) N π * ) (7.6) π π = (π, π, π ) π ±")
7 7. ( ) SU() SU() 9 ( MeV) p 98.8 π + π 0 n 99.57 9.57 97.4 497.70 δm m 0.4%.% 0.% 0.8% π 9.57 4.96 Σ + Σ 0 Σ 89.6 9.46 K + K 0 49.67 (7.) p p = αp + βn, n n = γp + δn (7.a) [ ] p ψ ψ = Uψ, U = n [ α
LDA (Latent Dirichlet Allocation) Wikipediade LDA 2 / 37
Latent Dirichlet Allocation W707 s-taiji@is.titech.ac.jp 1 / 37 LDA (Latent Dirichlet Allocation) Wikipediade LDA 2 / 37 1 LDA: Latent Dirichlet Allocation 2 Wikipedia LDA 3 3 / 37 DF 4 / 37 DF 4 / 37
例 e 指数関数的に減衰する信号を h( a < + a a すると, それらのラプラス変換は, H ( ) { e } e インパルス応答が h( a < ( ただし a >, U( ) { } となるシステムにステップ信号 ( y( のラプラス変換 Y () は, Y ( ) H ( ) X (
第 週ラプラス変換 教科書 p.34~ 目標ラプラス変換の定義と意味を理解する フーリエ変換や Z 変換と並ぶ 信号解析やシステム設計における重要なツール ラプラス変換は波動現象や電気回路など様々な分野で 微分方程式を解くために利用されてきた ラプラス変換を用いることで微分方程式は代数方程式に変換される また 工学上使われる主要な関数のラプラス変換は簡単な形の関数で表されるので これを ラプラス変換表
OngaCREST [10] A 3. Latent Dirichlet Allocation: LDA [11] Songle [12] Pitman-Yor (VPYLM) [13] [14,15] n n n 3.1 [16 18] PreFEst [19] F
![OngaCREST [10] A 3. Latent Dirichlet Allocation: LDA [11] Songle [12] Pitman-Yor (VPYLM) [13] [14,15] n n n 3.1 [16 18] PreFEst [19] F](/thumbs/77/74495478.jpg "OngaCREST [10] A 3. Latent Dirichlet Allocation: LDA [11] Songle [12] Pitman-Yor (VPYLM) [13] [14,15] n n n 3.1 [16 18] PreFEst [19] F")
1,a) 2,b) 1,c) LPMCC MFCC Fluctuation Pattern (LDA) Songle Pitman-Yor (VPYLM) 3278 1. (MIR: Music Information Retrieval) [1 5] [6 8] 1 National Institute of Advanced Industrial Science and Technology (AIST)
文章のトピック 文章には様々なトピックが存在する Cuomo to Push for Broader Ban on Assault Weapons 2012 Was Hottest Year in U.S. History 2
自然言語処理プログラミング勉強会 7 - トピックモデル Graham Neubig 奈良先端科学技術大学院大学 (NAIST) 1 文章のトピック 文章には様々なトピックが存在する Cuomo to Push for Broader Ban on Assault Weapons 2012 Was Hottest Year in U.S. History 2 文章のトピック 文章には様々なトピックが存在する
ohpmain.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,
PowerPoint 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.
音響モデル triphone 入力音声 音声分析 デコーダ 言語モデル N-gram bigram HMM の状態確率として利用 出力層 triphone: 3003 ノード リスコア trigram 隠れ層 2048 ノード X7 層 1 Structure of recognition syst
1,a) 1 1 1 deep neural netowrk(dnn) (HMM) () GMM-HMM 2 3 (CSJ) 1. DNN [6]. GPGPU HMM DNN HMM () [7]. [8] [1][2][3] GMM-HMM Gaussian mixture HMM(GMM- HMM) MAP MLLR [4] [3] DNN 1 1 triphone bigram [5]. 2
4 Mindlin -Reissner 4 δ T T T εσdω= δ ubdω+ δ utd Γ Ω Ω Γ T εσ (1.1) ε σ u b t 3 σ ε. u T T T = = = { σx σ y σ z τxy τ yz τzx} { εx εy εz γ xy γ yz γ
Mindlin -Rissnr δ εσd δ ubd+ δ utd Γ Γ εσ (.) ε σ u b t σ ε. u { σ σ σ z τ τ z τz} { ε ε εz γ γ z γ z} { u u uz} { b b bz} b t { t t tz}. ε u u u u z u u u z u u z ε + + + (.) z z z (.) u u NU (.) N U
21 1 2 1 2
21 1 2 1 2 1 2 3 ( ) 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 210 0.0 0.0 22 23 25 27 28 29 30 31 32 33 34 35 36 74 pp.4362003.10 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 141224 14 48 10
FEM原理講座 （サンプルテキスト）
サンプルテキスト FEM 原理講座 サイバネットシステム株式会社 8 年 月 9 日作成 サンプルテキストについて 各講師が 講義の内容が伝わりやすいページ を選びました テキストのページは必ずしも連続していません 一部を抜粋しています 幾何光学講座については 実物のテキストではなくガイダンスを掲載いたします 対象とする構造系 物理モデル 連続体 固体 弾性体 / 弾塑性体 / 粘弾性体 / 固体
201711grade1ouyou.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
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)
LLG-R8.Nisus.pdf
d M d t = γ M H + α M d M d t M γ [ 1/ ( Oe sec) ] α γ γ = gµ B h g g µ B h / π γ g = γ = 1.76 10 [ 7 1/ ( Oe sec) ] α α = λ γ λ λ λ α γ α α H α = γ H ω ω H α α H K K H K / M 1 1 > 0 α 1 M > 0 γ α γ =
Microsoft PowerPoint - 3.ppt [互換モード]
![Microsoft PowerPoint - 3.ppt [互換モード]](/thumbs/95/124643964.jpg "Microsoft PowerPoint - 3.ppt [互換モード]")
3. プッシュダウンオートマトンと文脈自由文法 1 3-1. プッシュダウンオートマトン オートマトンはメモリがほとんど無かった この制限を除いた機械を考える 理想的なスタックを利用できるようなオートマトンをプッシュダウンオートマトン (Push Down Automaton,PDA) という 0 1 入力テープ 1 a 1 1 0 1 スタッb 入力テープを一度走査したあと ク2 入力テプを度走査したあと
IPSJ SIG Technical Report Vol.2015-MUS-107 No /5/23 HARK-Binaural Raspberry Pi 2 1,a) ( ) HARK 2 HARK-Binaural A/D Raspberry Pi 2 1.
HARK-Binaural Raspberry Pi 2 1,a) 1 1 1 2 3 () HARK 2 HARK-Binaural A/D Raspberry Pi 2 1. [1,2] [2 5] () HARK (Honda Research Institute Japan audition for robots with Kyoto University) *1 GUI ( 1) Python
Microsoft Word doc
. 正規線形モデルのベイズ推定翠川 大竹距離減衰式 (PGA(Midorikawa, S., and Ohtake, Y. (, Attenuation relationships of peak ground acceleration and velocity considering attenuation characteristics for shallow and deeper earthquakes,
untitled
DEIM Forum 2019 B3-3 305 8573 1-1-1 305 8573 1-1-1 ( ) 151-0053 1-3-15 6F word2vec, An Interface for Browsing Topics of Know-How Sites Shuto KAWABATA, Ohkawa YOUHEI,WenbinNIU,ChenZHAO, Takehito UTSURO,and
ボルツマンマシンの高速化
1. はじめに ボルツマン学習と平均場近似 山梨大学工学部宗久研究室 G04MK016 鳥居圭太 ボルツマンマシンは学習可能な相互結合型ネットワー クの代表的なものである. ボルツマンマシンには, 学習のための統計平均を取る必要があり, 結果を求めるまでに長い時間がかかってしまうという欠点がある. そこで, 学習の高速化のために, 統計を取る2つのステップについて, 以下のことを行う. まず1つ目のステップでは,
64 3 g=9.85 m/s 2 g=9.791 m/s 2 36, km ( ) 1 () 2 () m/s : : a) b) kg/m kg/m k
63 3 Section 3.1 g 3.1 3.1: : 64 3 g=9.85 m/s 2 g=9.791 m/s 2 36, km ( ) 1 () 2 () 3 9.8 m/s 2 3.2 3.2: : a) b) 5 15 4 1 1. 1 3 14. 1 3 kg/m 3 2 3.3 1 3 5.8 1 3 kg/m 3 3 2.65 1 3 kg/m 3 4 6 m 3.1. 65 5
main.dvi
DEIM Forum 2012 E2-4 1 2 2 2 3 4 5 6 7 1 305-8573 1-1-1 2 305-8573 1-1-1 3 305-8573 1-1-1 4 ( ) 141-0031 8-3-6 5 060-0808 8 5 6 101-8430 2-1-2 7 135-0064. 2-3-26 113-0033 7-3-1 305-8550 1-2 Analyzing Correlation
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
Z: Q: R: C: sin 6 5 ζ a, b
Z: Q: R: C: 3 3 7 4 sin 6 5 ζ 9 6 6............................... 6............................... 6.3......................... 4 7 6 8 8 9 3 33 a, b a bc c b a a b 5 3 5 3 5 5 3 a a a a p > p p p, 3,
cm λ λ = h/p p ( ) λ = cm E pc [ev] 2.2 quark lepton u d c s t b e 1 3e electric charge e color charge red blue green qq
![cm λ λ = h/p p ( ) λ = cm E pc [ev] 2.2 quark lepton u d c s t b e 1 3e electric charge e color charge red blue green qq](/thumbs/89/98710373.jpg "cm λ λ = h/p p ( ) λ = cm E pc [ev] 2.2 quark lepton u d c s t b e 1 3e electric charge e color charge red blue green qq")
2007 2007 7 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 1 2007 2 4 5 6 6 2 2.1 1: KEK Web page 1 1 1 10 16 cm λ λ = h/p p ( ) λ = 10 16 cm E pc [ev] 2.2 quark lepton 2 2.2.1 u d c s t b + 2 3 e 1 3e electric charge
untitled
( 9:: 3:6: (k 3 45 k F m tan 45 k 45 k F m tan S S F m tan( 6.8k tan k F m ( + k tan 373 S S + Σ Σ 3 + Σ os( sin( + Σ sin( os( + sin( os( p z ( γ z + K pzdz γ + K γ K + γ + 9 ( 9 (+ sin( sin { 9 ( } 4
ばらつき抑制のための確率最適制御
( ) http://wwwhayanuemnagoya-uacjp/ fujimoto/ 2011 3 9 11 ( ) 2011/03/09-11 1 / 46 Outline 1 2 3 4 5 ( ) 2011/03/09-11 2 / 46 Outline 1 2 3 4 5 ( ) 2011/03/09-11 3 / 46 (1/2) r + Controller - u Plant y
01.Œk’ì/“²fi¡*
AIC AIC y n r n = logy n = logy n logy n ARCHEngle r n = σ n w n logσ n 2 = α + β w n 2 () r n = σ n w n logσ n 2 = α + β logσ n 2 + v n (2) w n r n logr n 2 = logσ n 2 + logw n 2 logσ n 2 = α +β logσ
四変数基本対称式の解放
The second-thought of the Galois-style way to solve a quartic equation Oomori, Yasuhiro in Himeji City, Japan Jan.6, 013 Abstract v ρ (v) Step1.5 l 3 1 6. l 3 7. Step - V v - 3 8. Step1.3 - - groupe groupe
#A A A F, F d F P + F P = d P F, F y P F F x A.1 ( α, 0), (α, 0) α > 0) (x, y) (x + α) 2 + y 2, (x α) 2 + y 2 d (x + α)2 + y 2 + (x α) 2 + y 2 =
#A A A. F, F d F P + F P = d P F, F P F F A. α, 0, α, 0 α > 0, + α +, α + d + α + + α + = d d F, F 0 < α < d + α + = d α + + α + = d d α + + α + d α + = d 4 4d α + = d 4 8d + 6 http://mth.cs.kitmi-it.c.jp/
Microsoft PowerPoint - 第３回２.ppt
講義内容 講義内容 次元ベクトル 関数の直交性フーリエ級数 次元代表的な対の諸性質コンボリューション たたみこみ積分 サンプリング定理 次元離散 次元空間周波数の概念 次元代表的な 次元対 次元離散 次元ベクトル 関数の直交性フーリエ級数 次元代表的な対の諸性質コンボリューション たたみこみ積分 サンプリング定理 次元離散 次元空間周波数の概念 次元代表的な 次元対 次元離散 ベクトルの直交性 3
スライド 1
第 13 章系列データ 2015/9/20 夏合宿 PRML 輪読ゼミ B4 三木真理子 目次 2 1. 系列データと状態空間モデル 2. 隠れマルコフモデル 2.1 定式化とその性質 2.2 最尤推定法 2.3 潜在変数の系列を知るには 3. 線形動的システム この章の目標 : 系列データを扱う際に有効な状態空間モデルのうち 代表的な 2 例である隠れマルコフモデルと線形動的システムの性質を知り
(extended state) L (2 L 1, O(1), d O(V), V = L d V V e 2 /h 1980 Klitzing
1 2 2.1 [1] [2] 2.1 STM [3, 4, 5, 6] 2.1: 2 ( 3 [1] ) [7, 8] [9]( 2.2) 2 2 2.1.1 (extended state) L (2 L 1, O(1), d O(V), V = L d V V 2.1.2 1985 2 e 2 /h 1980 Klitzing 2.1. 3 [7, 8] 2.2 [10] [8] 2.2: (a)
1 1.1 ( ). z = a + bi, a, b R 0 a, b 0 a 2 + b 2 0 z = a + bi = ( ) a 2 + b 2 a a 2 + b + b 2 a 2 + b i 2 r = a 2 + b 2 θ cos θ = a a 2 + b 2, sin θ =
1 1.1 ( ). z = + bi,, b R 0, b 0 2 + b 2 0 z = + bi = ( ) 2 + b 2 2 + b + b 2 2 + b i 2 r = 2 + b 2 θ cos θ = 2 + b 2, sin θ = b 2 + b 2 2π z = r(cos θ + i sin θ) 1.2 (, ). 1. < 2. > 3. ±,, 1.3 ( ). A
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
H 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) = [
![H 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) = [](/thumbs/99/141438442.jpg "H 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
インターリーブＡＤＣでのタイミングスキュー影響のデジタル補正技術
1 インターリーブADCでのタイミングスキュー影響のデジタル補正技術 浅見幸司 黒沢烈士 立岩武徳 宮島広行 小林春夫 ( 株 ) アドバンテスト 群馬大学 2 目次 1. 研究背景 目的 2. インターリーブADCの原理 3. チャネル間ミスマッチの影響 3.1. オフセットミスマッチの影響 3.2. ゲインミスマッチの影響 3.3. タイミングスキューの影響 4. 提案手法 4.1. インターリーブタイミングミスマッチ補正フィルタ
[1] convention Minkovski i Polchinski [2] 1 Clifford Spin 1 2 Euclid Clifford 2 3 Euclid Spin 6 4 Euclid Pin Clifford Spin 10 A 12 B 17 1 Cliffo
![[1] convention Minkovski i Polchinski [2] 1 Clifford Spin 1 2 Euclid Clifford 2 3 Euclid Spin 6 4 Euclid Pin Clifford Spin 10 A 12 B 17 1 Cliffo](/thumbs/101/149329436.jpg "[1] convention Minkovski i Polchinski [2] 1 Clifford Spin 1 2 Euclid Clifford 2 3 Euclid Spin 6 4 Euclid Pin Clifford Spin 10 A 12 B 17 1 Cliffo")
[1] convention Minkovski i Polchinski [2] 1 Clifford Spin 1 2 Euclid Clifford 2 3 Euclid Spin 6 4 Euclid Pin + 8 5 Clifford Spin 10 A 12 B 17 1 Clifford Spin D Euclid Clifford Γ µ, µ = 1,, D {Γ µ, Γ ν
JKR 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
2009 年 11 月 16 日版 ( 久家 ) 遠地 P 波の変位波形の作成 遠地 P 波の変位波形 ( 変位の時間関数 ) は 波線理論をもとに P U () t = S()* t E()* t P() t で近似的に計算できる * は畳み込み積分 (convolution) を表す ( 付録
遠地 波の変位波形の作成 遠地 波の変位波形 ( 変位の時間関数 ) は 波線理論をもとに U () t S() t E() t () t で近似的に計算できる は畳み込み積分 (convolution) を表す ( 付録 参照 ) ここで St () は地震の断層運動によって決まる時間関数 1 E() t は地下構造によって生じる種々の波の到着を与える時間関数 ( ここでは 直達 波とともに 震源そばの地表での反射波や変換波を与える時間関数
untitled
Horioka Nakagawa and Oshima u ( c ) t+ 1 E β (1 + r ) 1 = t i+ 1 u ( c ) t 0 β c t y t uc ( t ) E () t r t c E β t ct γ ( + r ) 1 0 t+ 1 1 = t+ 1 ξ ct + β ct γ c t + 1 1+ r ) E β t + 1 t ct (1
( ) Note (e ) (µ ) (τ ) ( (ν e,e ) e- (ν µ, µ ) µ- (ν τ,τ ) τ- ) ( ) ( ) (SU(2) ) (W +,Z 0,W ) * 1) 3 * 2) [ ] [ ] [ ] ν e ν µ ν τ e
![( ) Note (e ) (µ ) (τ ) ( (ν e,e ) e- (ν µ, µ ) µ- (ν τ,τ ) τ- ) ( ) ( ) (SU(2) ) (W +,Z 0,W ) * 1) 3 * 2) [ ] [ ] [ ] ν e ν µ ν τ e](/thumbs/98/136160482.jpg "( ) Note (e ) (µ ) (τ ) ( (ν e,e ) e- (ν µ, µ ) µ- (ν τ,τ ) τ- ) ( ) ( ) (SU(2) ) (W +,Z 0,W ) * 1) 3 * 2) [ ] [ ] [ ] ν e ν µ ν τ e")
( ) Note 3 19 12 13 8 8.1 (e ) (µ ) (τ ) ( (ν e,e ) e- (ν µ, µ ) µ- (ν τ,τ ) τ- ) ( ) ( ) (SU(2) ) (W +,Z 0,W ) * 1) 3 * 2) [ ] [ ] [ ] ν e ν µ ν τ e µ τ, e R, µ R, τ R (1a) L ( ) ) * 3) W Z 1/2 ( - )
An 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
it-ken_open.key
深層学習技術の進展 ImageNet Classification 画像認識 音声認識 自然言語処理 機械翻訳 深層学習技術は これらの分野において 特に圧倒的な強みを見せている Figure (Left) Eight ILSVRC-2010 test Deep images and the cited4: from: ``ImageNet Classification with Networks et
0 スペクトル 時系列データの前処理 法 平滑化 ( スムージング ) と微分 明治大学理 学部応用化学科 データ化学 学研究室 弘昌
0 スペクトル 時系列データの前処理 法 平滑化 ( スムージング ) と微分 明治大学理 学部応用化学科 データ化学 学研究室 弘昌 スペクトルデータの特徴 1 波 ( 波数 ) が近いと 吸光度 ( 強度 ) の値も似ている ノイズが含まれる 吸光度 ( 強度 ) の極大値 ( ピーク ) 以外のデータも重要 時系列データの特徴 2 時刻が近いと プロセス変数の値も似ている ノイズが含まれる プロセス変数の極大値
音声認識
パターン認識 音声認識 音声認識とは 音声認識とは 人間の声などをコンピューターに認識させること 話し言葉を文字列に変換したり音声の特徴をとらえて声を出している人を識別したりする機能のこと ( 指 ) キーボードから入力 ( 声 ) マイクから入力 ( 音声入力 あるいは ディクテーション ( 聞き取り ) ) ( ちょうどキーボードから文字列やショートカットを入力してアプリケーションを操作できるように
1
1 Borel1956 Groupes linéaire algébriques, Ann. of Math. 64 (1956), 20 82. Chevalley1956/58 Sur la classification des groupes de Lie algébriques, Sém. Chevalley 1956/58, E.N.S., Paris. Tits1959 Sur la classification
ファイナンスのための数学基礎 第1回 オリエンテーション、ベクトル
時系列分析 変量時系列モデルとその性質 担当 : 長倉大輔 ( ながくらだいすけ 時系列モデル 時系列モデルとは時系列データを生み出すメカニズムとなるものである これは実際には未知である 私たちにできるのは観測された時系列データからその背後にある時系列モデルを推測 推定するだけである 以下ではいくつかの代表的な時系列モデルを考察する 自己回帰モデル (Auoregressive Model もっとも頻繁に使われる時系列モデルは自己回帰モデル
位相最適化?
均質化設計法 藤井大地 ( 東京大学 ) 位相最適化? 従来の考え方 境界形状を変化させて最適な形状 位相を求める Γ t Ω b Γ D 境界形状を変化させる問題点 解析が進むにつれて, 有限要素メッシュが異形になり, 再メッシュが必要になる 位相が変化する問題への適応が難しい Γ Γ t t Ω b Ω b Γ D Γ D 領域の拡張と特性関数の導入 χ Ω ( x) = f 0 f x Ω x
(1.2) T D = 0 T = D = 30 kn 1.2 (1.4) 2F W = 0 F = W/2 = 300 kn/2 = 150 kn 1.3 (1.9) R = W 1 + W 2 = = 1100 N. (1.9) W 2 b W 1 a = 0
1 1 1.1 1.) T D = T = D = kn 1. 1.4) F W = F = W/ = kn/ = 15 kn 1. 1.9) R = W 1 + W = 6 + 5 = 11 N. 1.9) W b W 1 a = a = W /W 1 )b = 5/6) = 5 cm 1.4 AB AC P 1, P x, y x, y y x 1.4.) P sin 6 + P 1 sin 45
Microsoft PowerPoint - LD1_iwata.ppt
潜在トピックモデルに基づく データマイニング NTT コミュニケーション科学基礎研究所 岩田具治 1 トピックモデルとは 文書が生成される過程を確率的に表現したモデル 様々な離散データで有効性が確認 文書 購買 ネットワーク 画像 音楽 幅広い応用範囲 情報検索 可視化 画像認識 推薦システム 音声認識 拡張が容易 実装が簡単 2 トピック抽出 入力 : 文書集合 D. Blei, A. Ng, M.
Microsoft PowerPoint - …Z…O…†…fi…g…‡…f…‰‡É‡æ‡é™ñ‘oflÅ
セグメントモデルによる音声認識 NTTコミュニケーション科学基礎研究所南泰浩 セグメントモデルとは? HMM の欠点 継続時間モデルが導入されていない 状態内の観測系列の時間依存性を反映できない 改良 セグメントモデル HMM とセグメントモデルの違い y t y 1 y 2 y 3 y T P s (y t ) P a,t (y 1,y 2,y 3 y T ) s HMM a P(T a) セグメントモデル
1 3 1.1.......................... 3 1............................... 3 1.3....................... 5 1.4.......................... 6 1.5........................ 7 8.1......................... 8..............................
スライド 1
ベイジアンモデルによる地域人口予測モデルの可能性について 片桐智志 1 山下諭史 1 ( 1 ネイチャーインサイト株式会社 ) The possibility of regional population forecasting model by Bayesian model KATAGIRI, Satoshi 1 YAMASHITA, Satoshi 1 1 Nature Insight Co.,
03.Œk’ì
HRS KG NG-HRS NG-KG AIC Fama 1965 Mandelbrot Blattberg Gonedes t t Kariya, et. al. Nagahara ARCH EngleGARCH Bollerslev EGARCH Nelson GARCH Heynen, et. al. r n r n =σ n w n logσ n =α +βlogσ n 1 + v n w
PowerPoint プレゼンテーション
非線形カルマンフィルタ ~a. 問題設定 ~ 離散時間非線形状態空間表現 x k + 1 = f x k y k = h x k + bv k + w k f : ベクトル値をとるx k の非線形関数 h : スカラ値をとるx k の非線形関数 v k システム雑音 ( 平均値 0, 分散 σ v 2 k ) x k + 1 = f x k,v k w k 観測雑音 ( 平均値 0, 分散 σ w
sigmus-2009-yoshii.dvi
IPSJ SIG Technical Repor MusicCommenaor: 1 1 MusicCommenaor MusicCommenaor: A Compuaional Sysem of Generaing Music-Synchronized Commens Kazuyoshi Yoshii 1 and Masaaka Goo 1 This paper presens a sysem called
Hanbury-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............................................
(e ) (µ ) (τ ) ( (ν e,e ) e- (ν µ,µ ) µ- (ν τ,τ ) τ- ) ( ) ( ) ( ) (SU(2) ) (W +,Z 0,W ) * 1) [ ] [ ] [ ] ν e ν µ ν τ e µ τ, e R,µ R,τ R (2.1a
![(e ) (µ ) (τ ) ( (ν e,e ) e- (ν µ,µ ) µ- (ν τ,τ ) τ- ) ( ) ( ) ( ) (SU(2) ) (W +,Z 0,W ) * 1) [ ] [ ] [ ] ν e ν µ ν τ e µ τ, e R,µ R,τ R (2.1a](/thumbs/100/144882653.jpg "(e ) (µ ) (τ ) ( (ν e,e ) e- (ν µ,µ ) µ- (ν τ,τ ) τ- ) ( ) ( ) ( ) (SU(2) ) (W +,Z 0,W ) * 1) [ ] [ ] [ ] ν e ν µ ν τ e µ τ, e R,µ R,τ R (2.1a")
1 2 2.1 (e ) (µ ) (τ ) ( (ν e,e ) e- (ν µ,µ ) µ- (ν τ,τ ) τ- ) ( ) ( ) ( ) (SU(2) ) (W +,Z 0,W ) * 1) [ ] [ ] [ ] ν e ν µ ν τ e µ τ, e R,µ R,τ R (2.1a) L ( ) ) * 2) W Z 1/2 ( - ) d u + e + ν e 1 1 0 0