スライド 1
|
|
|
- よいかず なみこし
- 5 years ago
- Views:
Transcription
1 ICDE2016 & WWW2016 勉強会 WWW2016 Session 22 京都大学加藤誠
2 WWW2016 Session 22 Modeling User Exposure in Recommendation Dawen Liang (Columbia University) Laurent Charlin (McGill University) James McInerney (Columbia University) David M. Blei (Columbia University) Growing Wikipedia Across Languages via Recommendation Ellery Wulczyn (Wikimedia Foundation) Robert West (Stanford University) Leila Zia (Wikimedia Foundation) Jure Leskovec (Stanford University) Using Shortlists to Support Decision Making and Improve Recommender System Performance Tobias Schnabel (Cornell University) Paul N. Bennett (Microsoft Research) Susan T. Dumais (Microsoft Research) Thorsten Joachims (Cornell University) 本スライドの図表は論文からの引用
3 Modeling User Exposure in Recommendation Dawen Liang (Columbia University) Laurent Charlin (McGill University) James McInerney (Columbia University) David M. Blei (Columbia University)
4 非明示的なデータを用いた協調フィルタリング 既存の方法もあるがこの研究では確率モデルで綺麗にやった (David M. Blei!) 問題設定 ユーザのクリックや視聴行動など非明示的な評価から推薦 Challenge クリックや視聴されていないアイテムは評価が低い? 低評価と仮定するとクリックされていないアイテムはすべて低評価になってしまう 既存手法 : クリックされていないアイテムは たぶん低評価 と見なすヒューリスティクス
5 Gaussian Matrix Factorization Gaussian Matrix Factorization の生成モデル 各ユーザ u とアイテム i に対してそれぞれ K 次元ベクトル生成 θ u ~N 0, λ θ 1 I K β i ~N(0, λ β 1 I K ) ユーザ u のアイテム i に対する評価値 y が生成 y ui ~N(θ u T β i, λ y 1 ) θ u y ui β i U I
6 Exposure Matrix Factorization アイデア : どのアイテムがユーザに提示されたのかも共に推定 アイテム i がクリックされた i はユーザに提示された アイテム i がクリックされてない i はユーザに提示されたかもしれない アイテム i が好まれそうなものなら i は提示されていない可能性が高いと推定 どのアイテムがユーザに提示されたのか推定する際に事前分布を導入して以下のようなケースを想定 人気のアイテムほど提示されやすい ユーザの居住地の近くの店ほど提示されやすい
7 Exposure Matrix Factorization 各ユーザ u とアイテム i に対してそれぞれ K 次元ベクトル生成 θ u ~N 0, λ θ 1 I K β i ~N(0, λ β 1 I K ) ユーザ u とアイテム i の対に対して アイテム i がユーザ u に提示されたかを示す二値変数を生成 a ui ~Bernoulli μ ui ユーザ u のアイテム i に対する評価値 y を生成 y ui ~N(θ u T β i, λ y 1 ) a ui = 1 y ui ~δ 0 (a ui = 0)
8 対数尤度関数 ( 高いモデルが良い ) θ T β が高い場合 y=0 なら a=0 と推定される可能性が高い log N(0 θ T β,λ) が負でとても小さくなってしまうため a=0 でないと対数尤度関数が小さくなる a=0 のとき ユーザ アイテム (θ T β) が無視される a=1 のとき Gaussian Matrix Factorization になる
9 TPS: 楽曲試聴履歴 Mendeley: ブックマーク履歴 Gowalla: 場所チェックイン履歴 ArXiv: 論文クリック履歴 ユーザの居住地に近い場所は提示されやすい という事前知識を事前分布として入れると改善
10 Growing Wikipedia Across Languages via Recommendation Ellery Wulczyn (Wikimedia Foundation) Robert West (Stanford University) Leila Zia (Wikimedia Foundation) Jure Leskovec (Stanford University)
11 動機 Wikipedia においてある言語 S にはあるが別言語 T にない記事をユーザに推薦して記事の穴を埋めたい やったこと 1. 言語 S にはあるが別言語 T にない記事を発見 2. 1 の記事集合を重要度 (=T での予測閲覧数 ) で順位付け 言語 S での閲覧数などでランキング学習 3. 適切なユーザに重要な記事を推薦 各ユーザを編集した記事のトピック (LDA) でベクトル表現 同様に各記事もベクトル表現 記事を重複なく各ユーザに割り当て
12 Research Questions RQ1 記事推薦は Wikipedia での記事生成を促進するか RQ2 パーソナライズド記事推薦はランダム記事推薦よりも記事生成を促進するか RQ3 パーソナライズド記事推薦によって作られた記事の質は高いか 上記をフランス語エディタ 12,040 人で検証
13 RQ1 Wikipedia C1 パーソナライズド重要記事推薦 C2 ランダム重要記事推薦 C3 何もしない 何もしない場合に比べて 3.5 倍, ランダム推薦に比べて 2 倍の記事が作成された
14 RQ2 C1 パーソナライズド重要記事推薦 C2 ランダム重要記事推薦 Active 推薦された記事の作成を始めたユーザ Publishing 推薦された記事を作成 公開したユーザ ランダム推薦に比べて 2 倍の記事が作成された
15 RQ3 著者らの自動品質推定結果 大きな差がない ページ閲覧数 C1&C2 > その他 品質的に問題なくページ閲覧数も多い
16 Using Shortlists to Support Decision Making and Improve Recommender System Performance Tobias Schnabel (Cornell University) Paul N. Bennett (Microsoft Research) Susan T. Dumais (Microsoft Research) Thorsten Joachims (Cornell University)
17 Shortlist? クリックやドラッグでアイテムを追加可能 Digital Short-term Memory として働く ユーザからの暗黙的フィードバックを得られる
18 Research Questions RQ1. 全体的な満足度は Shortlist がない場合と比べどうか RQ2. Shortlist に得られた結果の主観的質は影響されるか RQ3. Shortlist は探索行動をどのように変えるか RQ4. Shortlist があることによってより多くの情報をユーザから引き出し推薦精度を向上できるか
19 被験者数 : 60 人 タスク : 映画選択タスク Imagine a very good friend you haven t seen in a year is coming to your place to visit. After hanging out for a while, you plan to watch a movie together. In this experiment, you ll be asked to select a movie to watch with your friend. 2 グループ 前半 : Shortlist なし, 後半 : Shortlist あり 前半 : Shortlist あり, 後半 : Shortlist なし
20 RQ1 & RQ2 RQ1. 全体的な満足度は Shortlist がない場合と比べどうか 良い RQ2. Shortlist に得られた結果の主観的質は影響されるか 良い
21 RQ3. Shortlist Shortlist ありの方が時間がかかっている Shortlist ありの方がたくさんのアイテムを見ている
22 RQ3. Shortlist Shortlist なしだと最後に出てきたアイテムがよく選ばれる
23 RQ4. Shortlist Shortlist ありの方が examined されたアイテムが多い ( 暗黙的フィードバックが多い )
24 RQ4. Shortlist 推薦アルゴリズム アイテムから特徴抽出 発表年, 人気度, 俳優, 監督,etc. {shortlisted, examined} > {displayed} と仮定しランキング学習 Shortlist ありの方が多くのデータが得られ, 推薦精度も向上
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
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
次元圧縮法を導入したクエリに基づくバイクラスタリング 情報推薦への応用 武内充三浦功輝岡田吉史 ( 室蘭工業大学 ) 概要以前, 我々はクエリに基づくバイクラスタリングを用いた情報推薦手法を提案した. 本研究では, 新たに推薦スコアが非常に良く似たユーザまたはアイテムを融合する次元圧縮法を導入した. 実験として, 縮減前と縮減後のデータセットのサイズとバイクラスタ計算時間の比較を行う. キーワード
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,
Microsoft Word - 補論3.2
補論 3. 多変量 GARC モデル 07//6 新谷元嗣 藪友良 対数尤度関数 3 章 7 節では 変量の対数尤度を求めた ここでは多変量の場合 とくに 変量について対数尤度を求める 誤差項 は平均 0 で 次元の正規分布に従うとする 単純化のため 分散と共分散は時間を通じて一定としよう ( この仮定は後で変更される ) したがって ij から添え字 を除くことができる このとき と の尤度関数は
概要 協調フィルタリング Start-up問題 利用者が少ないとうまくいかない 集団協調フィルタリング 複数サイトの情報をマルチタスク学習を利用して集める 広域ネットワーク上に分散 通信量を抑制 個人情報の保護 個人嗜好データは局所サイト内でのみ保持 各サイトの個性の保持 個別の推薦モデルの獲得 実
転移学習を利用した 集団協調フィルタリング 神嶌 敏弘 赤穂 昭太郎 産業技術総合研究所 2009年度人工知能学会全国大会 (2009/6/17-19) http://www.kamishima.net/ 開始 1 概要 協調フィルタリング Start-up問題 利用者が少ないとうまくいかない 集団協調フィルタリング 複数サイトの情報をマルチタスク学習を利用して集める 広域ネットワーク上に分散 通信量を抑制
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 ; >
1 G 01
2008 No.40 7 Yokohama National University 1 G 01 02 TOPICS 2 03 3 019.9 HI 000999 200299 210219 213 213.7 04 TOPICS 4 05 5 06 TOPICS 6 07 7 TOPICS 7 8 9 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
PowerPoint プレゼンテーション
VLDB+SIGIR2015 勉強会 SIGIR2015 Search Experience How many results per page? A Study of SERP Size, Search Behavior and User Experience Diane Kelly, Leif Azzopardi Influence of Vertical Result in Web Search
言語モデルの基礎 2
自然言語処理プログラミング勉強会 1 1-gram 言語モデル Graham Neubig 奈良先端科学技術大学院大学 (NAIST) 1 言語モデルの基礎 2 言語モデル 英語の音声認識を行いたい時に どれが正解 英語音声 W1 = speech recognition system W2 = speech cognition system W3 = speck podcast histamine
Microsoft PowerPoint - NC12-2.pptx
演習問題の解答 ネットワークコンピューティング (2) 情報推薦 関西学院大学理工学部情報科学科北村泰彦 ベクトル空間モデルの例において,d 3 の文書を得ようとして, Genes and Genomes を検索質問文として検索を行った. 1. 類似度 0.85 以上の文書を検索結果とするときの, 再現率と適合率を求めよ. 再現率 =0/1=0%, 適合率 =0/1=0% 2. 類似度 0.8 以上の文書を検索結果とするときの,
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
/27 (13 8/24) (9/27) (9/27) / / / /16 12
79 7 79 6 14 7/8 710 10 () 9 13 9/17 610 13 9/27 49 7 14 7/8 810 1 15 8/16 11 811 1 13 9/27 (13 8/24) (9/27) (9/27) 49 15 7/12 78 15 7/27 57 1 13 8/24 15 8/16 12 810 10 40 1 Wikipedia 13 8/18, 8/28 79
研究開発の概要のイメージ ①画像 音声 映像情報の分析技術 周辺コンテンツや他情報源から収集したテキスト情報の分析 画像特徴量分析による信憑性検証 Web画像の典型度 過不足性 W b画像の典型度 過不足性 整合性の分析 映像 音声の偏り分析や 映像 音声の偏り分析や 視聴者評価情報の分析 Webア
電気通信サービスにおける情報信憑性検証技術に関する研究開発 課題ア Webコンテンツ分析技術開発成果について 1. 施策の目標 ネットワーク上の文字 音声 画像 映像情報について 情報の信頼性を分析する技術を確立し 信頼できる情報を提供することで 誰でもが思いのまま 簡単に 信頼して コンテンツを取り扱い 高度に利活用できる環境を実現する 2. 研究開発の背景 画像 音声 映像情報がWebコンテンツの一部としてインターネット上に大量に流通しているが
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
20169 3 4 5003 n=3,000 61.8% 38.2% n=3,000 20 7.3% 30 21.3% 40 34.8% 50 36.6% n=3,000 3.0% 2.0% 1.5% 12.1% 14.0% 41.4% 25.9% n=3,000 37.7% % 24.8% 28.8% 1.9% 3.1% 0.2% n=3,000 500 64.0% 500 1,000 31.3%
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
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
PowerPoint プレゼンテーション
SIGIR2014 勉強会 Think Globally, Act Locally 担当 : 大島裕明 ( 京都大学 ) Think Globally, Act Locally Who is the Barbecue King of Texas?: A Geo-Spatial Approach to Finding Local Experts on Twitter Z. Cheng, J. Caverlee,
DEIM Forum 2016 F / [1] ht
![DEIM Forum 2016 F / [1] ht](/thumbs/88/116836359.jpg "DEIM Forum 2016 F / [1] ht")
DEIM Forum 2016 F2-2 163-8677 1-24-2 E-mail: j110047@ns.kogakuin.ac.jp, kitayama@cc.kogakuin.ac.jp 9 / 1. 1 8 2 3 4 [1] 1http://www.gnavi.co.jp/ 2http://www.myvoice.co.jp/biz/surveys/19313/ 3http://tabelog.com/
Microsoft Word - .....J.^...O.|Word.i10...j.doc
P 1. 2. R H C H, etc. R' n R' R C R'' R R H R R' R C C R R C R' R C R' R C C R 1-1 1-2 3. 1-3 1-4 4. 5. 1-5 5. 1-6 6. 10 1-7 7. 1-8 8. 2-1 2-2 2-3 9. 2-4 2-5 2-6 2-7 10. 2-8 10. 2-9 10. 2-10 10. 11. C
NLP プログラミング勉強会 5 HMM による品詞推定 自然言語処理プログラミング勉強会 5 隠れマルコフモデルによる品詞推定 Graham Neubig 奈良先端科学技術大学院大学 (NAIST) 1
自然言語処理プログラミング勉強会 5 隠れマルコフモデルによる品詞推定 Graham Neubig 奈良先端科学技術大学院大学 (NAIST) 1 品詞推定 文 X が与えられた時の品詞列 Y を予測する Natural language processing ( NLP ) is a field of computer science JJ -LRB- -RRB- VBZ DT IN 予測をどうやって行うか
Microsoft PowerPoint - 稲木_XooNIps開発の近況.pptx
XooNIps 開発の近況 慶應義塾 学メディアセンター本部稲 Contents 1. XooNIpsの機能追加開発 2. リポジトリランキングの改善に向けて 3. 今後の計画 XooNIps の機能追加開発 近況報告 慶應のリポジトリ (KOARA) では 2014 年度以降継続して機能追加開発を ってまいりました XooNIps の対応バージョンは 3.4 系 XooNIps 4.x ( 次世代
original: 2011/11/5 revised: 2012/10/30, 2013/12/ : 2 V i V t2 V o V L V H V i V i V t1 V o V H V L V t1 V t2 1 Q 1 1 Q
original: 2011/11/5 revised: 2012/10/30, 2013/12/2 1 1 1: 2 V i V t2 V o V L V H V i V i V t1 V o V H V L V t1 V t2 1 Q 1 1 Q 2 2 1 2 1 c 2013 2 2: V i Q 1 I C1 V C1 V B2 I E V E V E Q 1 Q 1 Q 2 Q 2 Q
4 段階推定法とは 予測に使うモデルの紹介 4 段階推定法の課題 2
4 段階推定法 羽藤研 4 芝原貴史 1 4 段階推定法とは 予測に使うモデルの紹介 4 段階推定法の課題 2 4 段階推定法とは 交通需要予測の実用的な予測手法 1950 年代のアメリカで開発 シカゴで高速道路の需要予測に利用 日本では 1967 年の広島都市圏での適用が初 その後 1968 年の東京都市圏など 人口 30 万人以上の 56 都市圏に適用 3 ゾーニング ゾーニングとネットワークゾーン間のトリップはゾーン内の中心点
2 3 4 5 6 7 8 9 10 11 Licca is always with you 12 13 14 16 17 18 19 20 21 22 23 24 25 26 27 28 30 30 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31
Microsoft Word - Time Series Basic - Modeling.doc
時系列解析入門 モデリング. 確率分布と統計的モデル が確率変数 (radom varable のとき すべての実数 R に対して となる確 率 Prob( が定められる これを の関数とみなして G( Prob ( とあらわすとき G( を確率変数 の分布関数 (probablt dstrbuto ucto と呼 ぶ 時系列解析で用いられる確率変数は通常連続型と呼ばれるもので その分布関数は (
データベースと情報検索
データベースと情報検索 情報検索 (5) 検索エンジンの仕組み 教員岩村雅一 日程 ( 情報検索 : 担当岩村 ) 12/9 検索エンジンを使ってみる 12/16 メディア検索を使ってみる 12/25 ウェブアプリケーションを使ってみ る 1/9 検索エンジンを用いた演習 1/2 検索エンジンの仕組み 1/27 メディア検索の仕組み 2/3 消費者生成メディアの最近 Web の構造 グラフ構造 ページ
Microsoft PowerPoint - IBIS2014tutorial_iwata_color.pptx
機械学習に基づく推薦システム 岩田具治 NTT コミュニケーション科学基礎研究所 1 推薦システム ユーザの興味に合わせておすすめのアイテムを提示 推薦対象 本, 音楽, ニュース, 映画, 論文, 検索語, レストラン, 友達, 恋人 推薦システムの効用 ユーザ : 膨大な商品のなかから好みに合ったものを見つけられる オンラインストア : 売上の向上が期待できる 2 目次 1. 推薦システムの分類
ビッグデータ分析を高速化する 分散処理技術を開発 日本電気株式会社
ビッグデータ分析を高速化する 分散処理技術を開発 日本電気株式会社 概要 NEC は ビッグデータの分析を高速化する分散処理技術を開発しました 本技術により レコメンド 価格予測 需要予測などに必要な機械学習処理を従来の 10 倍以上高速に行い 分析結果の迅速な活用に貢献します ビッグデータの分散処理で一般的なオープンソース Hadoop を利用 これにより レコメンド 価格予測 需要予測などの分析において
Microsoft Word - deim2016再提出.docx
DEIM Forum 2016 F2-4 推薦システムにおける文脈適応及び計算時間短縮を実現する切り出し法と構成モジュールの自動合成方式 福田正向 清木康 慶應義塾大学環境情報学部 252-0882 神奈川県藤沢市遠藤 5322 E-mail: {t13504yf, kiyoki}@sfc.keio.ac.jp あらまし E コマース市場の拡大に伴い, Web 上に流通する商品数が増大し, 限られた時間で多数の商品の中からユーザーの嗜好や文脈にマッチした商品を探索することが困難になる情報過多問題が深刻化している
切片 ( 定数項 ) ダミー 以下の単回帰モデルを考えよう これは賃金と就業年数の関係を分析している : ( 賃金関数 ) ここで Y i = α + β X i + u i, i =1,, n, u i ~ i.i.d. N(0, σ 2 ) Y i : 賃金の対数値, X i : 就業年数. (
統計学ダミー変数による分析 担当 : 長倉大輔 ( ながくらだいすけ ) 1 切片 ( 定数項 ) ダミー 以下の単回帰モデルを考えよう これは賃金と就業年数の関係を分析している : ( 賃金関数 ) ここで Y i = α + β X i + u i, i =1,, n, u i ~ i.i.d. N(0, σ 2 ) Y i : 賃金の対数値, X i : 就業年数. ( 実際は賃金を就業年数だけで説明するのは現実的はない
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
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
Mindjet 操作方法ガイドセールスアカウントプランニングおよび管理のために Mindjet ソフトウェアおよびテンプレートの使用方法
1994 2011 Mindjet 092011 操作方法ガイドセールスアカウントプランニングおよび管理のために Mindjet ソフトウェアおよびテンプレートの使用方法 Mindjet 操作方法ガイドセールスアカウントプランニングおよび管理のために Mindjet ソフトウェアおよびテンプレートの使用方法 2 営業プロセスのすべての段階で Mindjet を使用した結果 弊社の営業サイクルが大幅に短縮したことがわかりました
Repeat after your tutor. 講師の後に続けてリピートしましょう A. Do you ent o video? Yes, I do. Let s rent an ction movie. Do you like Y, do. ction movie? B. A: Do you w
Chapter 1 Videos LESSON GOAL: Can talk about the kinds of movies. 映画の種類について話せるようになろう Complete the flyer. Use the dialogs 下の対話を読んで チラシを完成させま しょう as your clue. 1. A: When is the fashion show? B: The fashion
5 Basis Expansions and Regularization 5.3 Filtering and Feature Extraction 5.4 Smoothing Splines Degrees of Freedom and Smoother Matrices
Learnng to Generate wth Memory Chongxuan L, Jun Zhu, Bo Zhang 2016/07/16 ICML 読み会 奈良先端科学技術大学院大学 中村研 D2 品川政太朗 1/24 はじめに 何の論文? Neural Turng Machne や Memory Networks で用いられている外部メモリを深層生成モデル (DGMs) に導入 どこがすごいか抽象度の低い特徴は階層が上がるにつれて落ちる情報だが
Kumamoto 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
ベイズ統計入門
ベイズ統計入門 条件付確率 事象 F が起こったことが既知であるという条件の下で E が起こる確率を条件付確率 (codtoal probablt) という P ( E F ) P ( E F ) P( F ) 定義式を変形すると 確率の乗法公式となる ( E F ) P( F ) P( E F ) P( E) P( F E) P 事象の独立 ある事象の生起する確率が 他のある事象が生起するかどうかによって変化しないとき
Microsoft PowerPoint - 【配布・WEB公開用】SAS発表資料.pptx
生存関数における信頼区間算出法の比較 佐藤聖士, 浜田知久馬東京理科大学工学研究科 Comparison of confidence intervals for survival rate Masashi Sato, Chikuma Hamada Graduate school of Engineering, Tokyo University of Science 要旨 : 生存割合の信頼区間算出の際に用いられる各変換関数の性能について被覆確率を評価指標として比較した.
( )
) ( ( ) 3 15m t / 1.9 3 m t / 0.64 3 m ( ) ( ) 3 15m 3 1.9m / t 0.64m 3 / t ) ( β1 β 2 β 3 y ( ) = αx1 X 2 X 3 ( ) ) ( ( ) 3 15m t / 1.9 3 m 3 90m t / 0.64 3 m ( ) : r : ) 30 ( 10 0.0164
Microsoft Word - Win-Outlook.docx
Microsoft Office Outlook での設定方法 (IMAP および POP 編 ) How to set up with Microsoft Office Outlook (IMAP and POP) 0. 事前に https://office365.iii.kyushu-u.ac.jp/login からサインインし 以下の手順で自分の基本アドレスをメモしておいてください Sign
[2] 1. 2. 2 2. 1, [3] 2. 2 [4] 2. 3 BABOK BABOK(Business Analysis Body of Knowledge) BABOK IIBA(International Institute of Business Analysis) BABOK 7
![[2] 1. 2. 2 2. 1, [3] 2. 2 [4] 2. 3 BABOK BABOK(Business Analysis Body of Knowledge) BABOK IIBA(International Institute of Business Analysis) BABOK 7](/thumbs/40/22240274.jpg "[2] 1. 2. 2 2. 1, [3] 2. 2 [4] 2. 3 BABOK BABOK(Business Analysis Body of Knowledge) BABOK IIBA(International Institute of Business Analysis) BABOK 7")
32 (2015 ) [2] Projects of the short term increase at present. In order to let projects complete without rework and delays, it is important that request for proposals (RFP) are written by reflecting precisely
. イントロダクション 06 年の電力自由化に伴い, すべての消費者が自由に電力会社や料金プランを選べるようになった. しかし依然として従来の規制料金から自由料金へ乗り換える人は少ない. こうした行動は, 料金プランを切り替えた際に自分が得をするのか, 損をするのかが把握できていないため, 切り替え
情報提供が表明選好 顕示選好に与える影響 : 自由化前後の電力料金選択のフィールド実験 石原卓典 依田高典 要約電気料金プランを選択する際に, 自分の過去の電力消費量に基づいて電気代の情報が与えられる場合と, それが与えられない場合の各料金プランに対する態度の違いを検証する. 上記を検証するため, 自由化前後の電気料金選択について,RCT 型の表明選好実験と顕示選好実験を行った. その結果, 表明選好実験では,
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
P
03-3208-22482013 Vol.2 Summer & Autumn 2013 Vol.2 Summer & Autumn 90 527 P.156 611 91 C O N T E N T S 2013 03-3208-2248 2 3 4 6 Information 7 8 9 10 2 115 154 10 43 52 61 156 158 160 161 163 79 114 1 2
講義「○○○○」
講義 信頼度の推定と立証 内容. 点推定と区間推定. 指数分布の点推定 区間推定 3. 指数分布 正規分布の信頼度推定 担当 : 倉敷哲生 ( ビジネスエンジニアリング専攻 ) 統計的推測 標本から得られる情報を基に 母集団に関する結論の導出が目的 測定値 x x x 3 : x 母集団 (populaio) 母集団の特性値 統計的推測 標本 (sample) 標本の特性値 分布のパラメータ ( 母数
PowerPoint プレゼンテーション
第 6 回基礎ゼミ資料 Practice NL&MXL from R 平成 30 年 5 月 18 日 ( 金 ) 朝倉研究室修士 1 年小池卓武 使用データ 1 ~ 横浜プローブパーソンデータ ~ 主なデータの中身 トリップ ID 目的 出発, 到着時刻 総所要時間 移動距離 交通機関別の時間, 距離 アクセス, イグレス時間, 距離 費用 代表交通手段 代替手段生成可否 性別, 年齢等の個人属性
スライド 1
本資料について 本資料は下記論文を基にして作成されたものです. 文書の内容の正確さは保障できないため, 正確な知識を求める方は原文を参照してください. 著者 : 伊藤誠吾吉田廣志河口信夫 論文名 : 無線 LANを用いた広域位置情報システム構築に関する検討 出展 : 情報処理学会論文誌 Vol.47 No.42 発表日 :2005 年 12 月 著者 : 伊藤誠悟河口信夫 論文名 : アクセスポイントの選択を考慮したベイズ推定による無線
CONTENTS 3 5 10 12 13 Public relations brochure of Higashikawa 10 2015 October No.744 14 15 16 24 25 26 2
10 2015 October No.744 CONTENTS 3 5 10 12 13 Public relations brochure of Higashikawa 10 2015 October No.744 14 15 16 24 25 26 2 3 4 HIGASHIKAWA TOWN NEWS 5 HIGASHIKAWA TOWN NEWS HIGASHIKAWA TOWN NEWS
2013 Vol.1 Spring 2013 Vol.1 SPRING 03-3208-2248 C O N T E N T S 2013 03-3208-2248 2 3 4 7 Information 6 8 9 11 10 73 94 11 32 37 41 96 98 100 101 103 55 72 1 2 201345135016151330 3 1 2 URL: http://www.wul.waseda.ac.jp/clib/tel.03-3203-5581
T2K 実験 南野彰宏 ( 京都大学 ) 他 T2Kコラボレーション平成 25 年度宇宙線研究所共同利用成果発表会 2013 年 12 月 20 日 1
T2K 実験 南野彰宏 ( 京都大学 ) 他 T2Kコラボレーション平成 25 年度宇宙線研究所共同利用成果発表会 2013 年 12 月 20 日 1 T2K 実験 J- PARC でほぼ純粋な ν µμ ビームを生成 生成点直後の前置検出器と 295km 離れたスーパーカミオカンデでニュートリノを観測 ニュートリノ振動の精密測定 T2K 実験における振動モード 1. ν µμ ν e (ν e
PowerPoint プレゼンテーション
Session 24 : Social Contents 担当 : 大西誠, 天笠俊之, 駒水孝裕 筑波大学 ICDE2014 勉強会 [24 1] We Can Learn Your #Hashtags: Connecting Tweets to Explicit Topics Wei Feng, Jianyong Wang (Department of Computer Science and
2.
2. 10 2. 2. 1995/12006/111995/42006/12 2. 10 1995120061119954200612 02505 025 05 025 02505 0303 02505 250100 250 200 100200 5010050 100200 100 100 50100 100200 50100 10 75100100 0250512 02505 1 025051205
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.
1 2 3 4 5 1 1 136 2 137 2 1 1 138 2 1 2 139 140 141 142 3 143 3 144 145 4 1 2 146 3 4 147 5 1 2 3 148 1 2 149 3 5 1 2 150 3 151 1 152 2 153 6 1 2 154 3 155 4 1 156 2 3 4 5 157 7 1 2 3 4 158 5 159 6 8 1
108 528 612 P.156 109
2012 Vol.2 Summer & Autumn 03-3208-2248 108 528 612 P.156 109 C O N T E N T S 2012 03-3208-2248 2 3 4 6 Information 7 8 9 2 114 154 156 158 160 161 163 9 43 52 61 79 113 1 2 2012 7 1 2 3 4 5 6 7 8 9 10
PowerPoint プレゼンテーション
A nested recursive logit model for route choice analysis Tien Mai, Mogens Fosgerau, Emma Frejinger Transportation Research Part B, Vol. 75, pp.100-112, 2015 2015/06/19( 金 ) 理論談話会 2015#6 B4 三木真理子 目次 1.
独立行政法人情報通信研究機構 Development of the Information Analysis System WISDOM KIDAWARA Yutaka NICT Knowledge Clustered Group researched and developed the infor
独立行政法人情報通信研究機構 KIDAWARA Yutaka NICT Knowledge Clustered Group researched and developed the information analysis system WISDOM as a research result of the second medium-term plan. WISDOM has functions that
4. WIX アタッチエンジン 4. 1 FSDR 処理 システムの Web 資源結合動作であるアタッチ処理について 述べる. アタッチ処理は以下の 4 フェーズに分けられる. この一連の 流れを FSDR 処理とする. Find 処理 Select 処理 Decide 処理 Rewrite 処理
DEIM Forum 2014 C8-2 Web Index 223-8522 3-14-1 E-mail: sakusa@db.ics.keio.ac.jp, toyama@ics.keio.ac.jp, URL WIX, Web, Web Index (WIX)., WIX., Web, Web,,. Web Index, Web, Web, Web, 1., Web,. Web,,. Web,
Microsoft PowerPoint - 資料３ BB-REVIEW （依田構成員）.ppt
資料 3 高速インターネット接続サービスの需要代替性 : 成熟期に向かうブロードバンドの計量経済分析 京都大学大学院経済学研究科助教授 依田高典 京都大学大学院経済学研究科修士課程 ( 総務省 ) 坂平海 1. はじめに 世界に先行する日本のブロードバンドは普及期から成熟期へ 日本のブロードバンドのサービス間の需要代替性は 未だそれほど高くない ( 総務省 競争評価 2004) 普及期のブロードバンドの需要代替性の計量分析
A. Repeat after your tutor. A. 講師の後に続けてリピートしましょう Country Nationality Language Argentina Argentinean Spanish Lebanon Lebanese Arabic Country Nationalit
LESSON GOAL: Can talk about nationalities and languages. ナショナリティについて話せるようになろう Answer the questions. 質問に答えましょう 1. A: Where do you live? B:. 2. A: What is your nationality? B:. 3. A: What languages do you
Variational Auto Encoder
Variational Auto Encoder nzw 216 年 12 月 1 日 1 はじめに 深層学習における生成モデルとして Generative Adversarial Nets (GAN) と Variational Auto Encoder (VAE) [1] が主な手法として知られている. 本資料では,VAE を紹介する. 本資料は, 提案論文 [1] とチュートリアル資料 [2]
What s your name? Help me carry the baggage, please. politeness What s your name? Help me carry the baggage, please. iii
What s your name? Help me carry the baggage, please. politeness What s your name? Help me carry the baggage, please. iii p. vi 2 50 2 2016 7 14 London, Russell Square iv iii vi Part 1 1 Part 2 13 Unit
橡matufw
3 10 25 3 18 42 1 2 6 2001 8 22 3 03 36 3 4 A 2002 2001 1 1 2014 28 26 5 9 1990 2000 2000 12 2000 12 12 12 1999 88 5 2014 60 57 1996 30 25 205 0 4 120 1,5 A 1995 3 1990 30 6 2000 2004 2000 6 7 2001 5 2002
O
11 2 1 2 1 1 2 1 80 2 160 3 4 17 257 1 2 1 2 3 3 1 2 138 1 1 170 O 3 5 1 5 6 139 1 A 5 2.5 A 1 A 1 1 3 20 5 A 81 87 67 A 140 11 12 2 1 1 1 12 22 1 10 1 13 A 2 3 2 6 1 B 2 B B B 1 2 B 100 B 10 B 3 3 B 1
人芯経営論 ･･･リーダーシップ考②
2009/12/15 2009/11/17 2009/11/16 2009/10/19 2009/10/15 2009/10/1 2009/9/17 2009/9/1 2009/8/17 2009/8/17 2009/8/14 2009/8/12 2009/7/28 2009/7/17 2009/7/15 2009/6/24 2009/6/18 2009/6/15 2009/5/20 2009/5/15
共購買情報を用いた多様性のある推薦アルゴリズムの提案
共購買情報を用いた多様性のある推薦アルゴリズムの提案 -Amazon.co.jp の関連商品ネットワークを用いて - Algorthm Development for Dversfed Recommendaton Based on Co-purchase Informaton - Employng Items Smlarty Network n Amazon.co.jp - 1 1 2 3 1 小川祐樹,
TA3-4 31st Fuzzy System Symposium (Chofu, September 2-4, 2015) Interactive Recommendation System LeonardoKen Orihara, 1 Tomonori Hashiyama, 1
Interactive Recommendation System 1 1 1 1 LeonardoKen Orihara, 1 Tomonori Hashiyama, 1 Shun ichi Tano 1 1 Graduate School of Information Systems, The University of Electro-Communications Abstract: The