Microsoft PowerPoint - LD1_iwata.ppt
|
|
|
- ちえこ おまた
- 5 years ago
- Views:
Transcription
1 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
2 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
3 トピック抽出 入力 : 文書集合 D. Blei, A. Ng, M. Jordan, Latent Dirichlet Allocation, JMLR2003 3
4 テキスト時間発展 D. Blei, J. Lafferty, Dynamic Topic Models, ICML2006 4
5 画像認識 [L. Cao and L. Fei-Fei. Spatially coherent latent topic model for concurrent object 5 segmentation and classification. ICCV2007]
6 目次 トピックモデルの説明 多項分布 混合多項分布 PLSA LDA グラフィカルモデル トピックモデルに関する研究紹介 購買行動解析のためのトピック追跡モデル 6
7 昨日, サッカー W 杯にて日本代表が本田のゴールにより勝利 bag-of-word w1 w2 w3 W 杯 サッカー ゴール 昨日 本田 代表 日本 w4 w5 w6 w7 8 w w 文書を単語集合として表現 ( 順序なし ) 情報検索 文書分類などで用いられる 勝利 7
8 健康テレビテレビ 料理政治レビイン多項分布 w Pw ( ) 政治料理健康 N P( w) = Pw ( ) n n= 1 テデザ 全文書の単語が同一の分布から生成 8
9 メディアテレビ行政政治医療食混合多項分布 P( w) Pz ( ) Pw ( z) z z n= 1 文書毎にトピックを選択 1 文書の単語が同一の分布から生成 N = w 政治選挙税金首相政治 Pz ( ) 文書集合毎トピック比率 n Pw z 著作権マスコミ新聞首相選挙税金健康病院( ) 料理9
10 メディアテレビ行政政治医療食N n= 1 トピックモデル P( w) Pz ( θ ) Pw ( z) = z z Pzθ ( ) 政治 n w 医療 病院首相 税金 文書毎トピック比率 Pw z 著作権マスコミ新聞首相選挙税金健康病院( ) 料理 単語毎にトピックを選択 1 文書の単語が複数の分布から生成 10
11 PLSA と LDA 代表的トピックモデル PLSA(=PLSI): Probabilistic Latent Semantic Analysis LDA: Latent Dirichlet Allocation N P( w) Pz ( θ ) Pw ( z) = n= 1 PLSA+ トピック比率にディリクレ事前分布を仮定 N P( w) P( θ ) P( z θ) P( w z) dθ = n= 1 z z n n ディリクレ事前分布 トピック比率 単語分布 11
12 文書データを用いた比較実験 多項分布 混合多項分布 PLSA LDA D. Blei, A. Ng, M. Jordan, Latent Dirichlet Allocation, JMLR
13 グラフィカルモデル 多項分布 w1 単語分布 φ = w N D φ 単語 wn D 文書数 単語数 混合多項分布 θ トピック z w N D φ K トピック数 : 潜在変数 : 観測変数 : 繰返し トピックモデル α θ z w N D φ K ディリクレ分布パラメータ トピック比率 13
14 学習 Collapsed ギブスサンプリング θ と φ を積分消去してギブスサンプリング α θ z w N D φ K β N ( ) kwn Pz ( n = k WZ, \ n) Ndk\ n + α N kn \ \ n + β + βv 政治 wz, \ n 医療 病院首相 税金 文書 d のなかのトピック k の数 トピックkのなかの単語 wnの割合 (n 番目の単語を除いたときの ) 14
15 応用 画像認識 文書 = 写真 単語 =visual word SIFT k-means 推薦システム 文書 = ユーザ, 単語 = 商品 ネットワーク 音楽 株価 15
16 拡張 観測データの種類を増やす ( 著者 時間 ) トピックの性質を変える ( 相関 階層 ) 著者 [Rosen-Zvi, et al. 04] 時間 [Wang and McCallum, 06] 相関 [Blei and Lafferty, 07] 階層 [Li and McCallum, 06] 16
17 トピックモデルに関連する成果 可視化 T. Iwata, T. Yamada, N. Ueda, Probabilistic Latent Semantic Visualization: Topic Model for Visualizing Documents, KDD2008 購買行動解析 T. Iwata, S. Watanabe, T. Yamada, N. Ueda, "Topic Tracking Model for Analyzing Consumer Purchase Behavior, IJCAI2009 ソーシャルアノテーション解析 T. Iwata, T. Yamada, N. Ueda, "Modeling Social Annotation Data with Content Relevance using a Topic Model," NIPS2009 多重スケール時間発展解析 T. Iwata, T. Yamada, Y. Sakurai, N. Ueda, "Online Multiscale Dynamic Topic Models, KDD
18 購買行動解析のための トピック追跡モデル T. Iwata, S. Watanabe, T. Yamada, N. Ueda, "Topic Tracking Model for Analyzing Consumer Purchase Behavior, IJCAI
19 Introduction 購買行動のモデリングは重要なタスク 推薦システム パーソナライズド広告 トレンド解析 19
20 Purchase behavior model item user Pi ( ut,) time 文書 : ユーザ単語 : 商品 時刻 t にユーザ u が商品 i を購入する確率 1982 A B C users items Michael Jackson Beatles high Deep purple Madonna low 20
21 Purchase behavior model item user Pi ( ut,) time 時刻 t にユーザ u が商品 i を購入する確率 1993 Michael Jackson Beatles Deep purple Madonna A B C 21
22 Purchase behavior model item user Pi ( ut,) time 時刻 t にユーザ u が商品 i を購入する確率 2009 Michael Jackson Beatles Deep purple Madonna A B C 22
23 Purchase behavior model item user Pi ( ut,) time 時刻 t にユーザ u が商品 i を購入する確率 2009 A B C Michael Jackson Beatles Deep purple パラメータ数 Madonna =ユーザ数 商品数 時刻数 23
24 item topic Topic model item Probabilistic latent semantic analysis topic Φ Θ user user パラメータ数を潜在トピックの導入により削減 (,) (,) (,) tzu tzi Pi ut = Pz utpi zt = φ θ z z ユーザ毎の興味トピック毎の流行 trendθ interestsφ Pop Metal 24 Royal Hunt Helloween Deep Purple Coldplay Madonna M. Jackson = Heavy Metal R&B Pop Madonna Deep Purple Beatles M. Jackson
25 Latent Dirichlet Allocation (LDA) 多項分布パラメータφとθに対称ディリクレ事前分布を仮定 推定がロバストに 新たなユーザに確率を定義できる P( φ ) tu Interest prior Bayesian extension z Pi ut φ γ 1 tuz = z (,) tzu tzi φ θ P( ) tz i γ tzi θ θ 1 trend prior Pop A,t A,t+1 B,t R&B Metal Metal R&B Pop Metal R&B Pop Metal R&B Pop 25
26 Latent Dirichlet Allocation (LDA) 多項分布パラメータφとθに対称ディリクレ事前分布を仮定 推定がロバストに 新たなユーザに確率を定義できる Pi ut = z (,) tzu tzi φ θ θ θ γ 1 P( φ ) φ γ 1 P( ) tu tuz tz tzi ダイナミクスが考慮されていない z i Interest prior Bayesian extension trend prior Pop A,t A,t+1 B,t R&B Metal Metal R&B Pop Metal R&B Pop Metal R&B Pop 26
27 Topic Tracking Model (TTM) 購買行動を解析するためのトピックモデル ユーザ興味とトピック流行にダイナミクスを導入 TTM の特長 変化への適応性 興味や流行は時間的に変化する 逐次学習 膨大なログが日々蓄積される
28 Incorporate the dynamics of interests 興味の事前分布が過去の興味に依存 共役事前分布 (Dirichlet) 学習が簡単に User: u Pop αt,u αt+1,u αt+2,u αt+3,u R&B Interest prior Metal t t+1 t+2 P( φ ˆ φ, α ) φ tu, t 1, u tu, tuz,, z mean: previous interests φt-1,u precision: αt,u α ˆ φ 1 tu, t 1, uz, 興味の一貫性 ( ユーザ興味がどれくらい変わりにくいか ) 28
29 Incorporate the dynamics of trends 興味と同様に流行にもダイナミクスを導入 Pop M.Jackson βt,z βt+1,z βt+2,z βt+3,z ColdPlay Madonna t t+1 t+2 Trend prior P( θ ˆ θ, β ) θ β ˆ θ 1 tz, t 1, z tz, tz, t1, zi, tzi,, i mean: previous trends θt-1,z precision: βt,z 流行の一貫性 ( トピック毎の流行がどれくらい変わりにくいか ) 29
30 Online inference 確率的 EM アルゴリズムを用いて逐次的に推定 現在のデータのみを使用 計算コストを削減 過去のデータを保持する必要はない 必要メモリを削減 a sample (user, item, time) t-1 Φ Θ α,β t t+1 Interests Φ Trends Θ Persistency α,β Φ Θ α,β X Purchase logs X X 30
31 Stochastic EM E-step: collapsed Gibbs sampling of topic z M-step: maximum likelihood of α,β Estimate φ and θ after the iteration of EM steps 31
32 Capturing long term dependences 興味 流行を過去 L 期間の興味 流行に依存するように拡張 User: u Pop αt,u,3 αt,u,2 R&B Metal αt,a,1 t-2 t-1 t 長期依存性を考慮することで情報損失を削減 複数の推定値を利用するため学習がロバストに オンライン学習は同様に可能 32
33 Graphical models of TTM α φ z x M U θ β Z and related models α φ z x M U θ t-1 t β Z Interest persistency User interests latent topic purchased item # purchased items # users Item trends Trend persistency # topics Gaussian Gaussian [Blei et al., ICML06] Dynamic Topic Model α φ z x θ M Z U Dynamic Mixture Model α φ z x θ M Z [Wei et 33 al., IJCAI07]
34 Experiments 最後の購買を予測 ( それまでのデータを学習に利用 ) Movie 110 days, 70,122 users, 7,469 items 11,243,935 transactions Cartoon 151 days, 143,212 users, 206 items 12,642,505 transactions 比較手法 LDAall: 過去全てのデータを学習に使用 LDAonline: LDAのオンライン学習版 LDAone: 過去 1 日のデータのみを学習に使用 34
35 Average N-best accuracies (%) 35
36 Average computational time (sec) LDAall は全てのデータを利用するため計算量大 TTM10 は 1 日あたり 100,000 購買からなるデータでも約 12 分で計算可能 TTM では依存距離に対し線形に計算量増加 36
37 timeβexamples of trend persistency β for each day 赤トピックは過去の流行に大きく依存 緑トピックは依存小 同じトピックでも依存性は時間的に変化する 商品が新発売されると依存性が低くなる 37
38 Trend analysis in Delicious tags Delicious データ (2005/11 から 2008/3) ソーシャルブックマークサービス 購買商品 タグ 1 購買が (user, tag, time) から成る 37 月, 15,466 ユーザ, 14,586 タグ 2008/11のトピック politics,obama,election,election2008,mccain mobile,iphone,google,microsoft,android web2.0,twitter,socialmedia,tools,socialnetworking mac,iphone,osx,software,apple 38
39 Topic politics 2007/8 politics,economics,history,news,culture 2007/9 politics,economics,history,news,war 2007/10 politics,economics,history,news,law 2007/11 politics,economics,history,media,news 2007/12 politics,economics,history,religion,government 2008/1 politics,economics,history,government,media 2008/2 politics,economics,history,obama,government 2008/3 politics,economics,history,obama,war 2008/4 politics,economics,history,media,government 2008/5 politics,economics,history,culture,government 2008/6 politics,obama,economics,history,law 2008/7 politics,economics,obama,history,law 2008/8 politics,obama,economics,history,war 2008/9 politics,mccain,palin,election,obama 2008/10 politics,obama,election,mccain,economics 2008/11 politics,obama,election,election2008,mccain June/3/2008 Obama was named the presumptive nominee. August/29/2008 McCain announced that he had chosen Palin as his running mate. Nov/4/2008 the U.S. Presidential Election 39
40 Topic web /1 web2.0,social,community,search,blogging,google,video,internet,secondlife,rss 2007/2 web2.0,community,social,video,rss,blogging,google,search,tools,yahoo 2007/3 web2.0,community,social,blogging,twitter,collaboration,google,search,rss,video 2007/4 web2.0,community,social,blogging,video,google,twitter,collaboration,rss,search 2007/5 web2.0,community,social,search,video,google,blogging,twitter,tools,socialnetwork 2007/6 web2.0,community,social,video,facebook,blogging,tools,google,socialnetworking,s 2007/7 web2.0,facebook,community,socialnetworking,social,blogging,tools,video,google, 2007/8 web2.0,social,socialnetworking,facebook,community,video,blogging,google,tools,s 2007/9 web2.0,facebook,socialnetworking,social,google,community,tools,blogging,video,c 2007/10 web2.0,facebook,socialnetworking,social,google,community,blogging,video,tools 2007/11 web2.0,facebook,socialnetworking,social,google,community,advertising,opensoc 2007/12 web2.0,facebook,socialnetworking,social,google,blogging,twitter,community,vide 2008/1 web2.0,socialnetworking,facebook,twitter,social,socialmedia,blogging,tools,comm 2008/2 web2.0,socialnetworking,twitter,social,community,google,socialmedia,facebook,to 2008/3 web2.0,twitter,socialnetworking,social,socialmedia,community,blogging,facebook, 2008/4 web2.0,twitter,socialnetworking,social,socialmedia,blogging,tools,community,face 2008/5 web2.0,twitter,socialnetworking,social,socialmedia,community,tools,blogging,face 2008/6 web2.0,twitter,socialnetworking,socialmedia,social,tools,blogging,community,face 2008/7 web2.0,twitter,socialmedia,socialnetworking,social,tools,blogging,community,goog 2008/8 web2.0,twitter,tools,socialmedia,socialnetworking,social,blogging,search,facebook 2008/9 web2.0,twitter,socialmedia,socialnetworking,tools,social,google,blogging,search,tr 2008/10 web2.0,twitter,socialmedia,tools,socialnetworking,social,blogging,marketing,goog /11 web2.0,twitter,socialmedia,tools,socialnetworking,social,facebook,microblogging
41 トピック追跡モデルまとめ 購買履歴解析のためのトピックモデルを提案 高い予測精度 高い計算効率 トレンド解析可能 今後の課題 トピック数の自動推定 ( 新トピック検出 ) Teh et al., Hierarchical Dirichlet processes, Journal of the American Statistical Association, 2006 Morinaga and Yamanishi, Tracking Dynamics of Topic Trends using a Finite Mixture Model, KDD2004 依存時間の自動推定 Wang et al., Continuous Time Dynamic Topic Models, UAI2008 Iwata et al., Online Multiscale Dynamic Topic Models, KDD
42 トピックモデル解説 幅広い応用範囲 拡張が容易 実装が簡単 トピックモデル応用 購買行動解析 最後に 42
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
dvi
44 1 86 2017 1 15 Kyu S. Hahn Seulgi Jang Press Coverage of Historical and Territorial Issues between Japan and Korea: Frame Analysis Using a Topic Model Yuki Ogawa,TetsuroKobayashi,KyuS. Hahn and Seulgi
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
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
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,
スライド 1
ICDE2016 & WWW2016 勉強会 WWW2016 Session 22 京都大学加藤誠 WWW2016 Session 22 Modeling User Exposure in Recommendation Dawen Liang (Columbia University) Laurent Charlin (McGill University) James McInerney (Columbia
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
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
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 = >
山形大学紀要
x t IID t = b b x t t x t t = b t- AR ARMA IID AR ARMAMA TAR ARCHGARCH TARThreshold Auto Regressive Model TARTongTongLim y y X t y Self Exciting Threshold Auto Regressive, SETAR SETARTAR TsayGewekeTerui
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
和文タイトル
Twitter A Proposal of a Topic Transition Analysis System for Tweets 1 1 1 Center for Information and Communication Technology, Hitotsubashi University Abstract: In this paper, we propose an interactive
PowerPoint プレゼンテーション
[SIGIR2013 勉強会 ] 2013 年 10 月 6 日 Session 6 Topic Modeling 担当 : 嫁兼 ( 同志社大学大学院 ), 孟 ( 同志社大学大学院 ), 杉田 ( 同志社大学 ) Topic Modeling An Unsupervised Topic Segmentation Model Incorporating Word Order 2 Shoaib Jameel,
? (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/
main.dvi
1 1 1 2 3 LDA Estimating and Analyzing a Domain Topic Model of Entries Kensaku Makita 1 Hiroko Suzuki 1 Daichi Koike 1 Takehito Utsuro 2 Yasuhide Kawada 3 Abstract: In order to address the issue of quickly
_314I01BM浅谷2.indd
587 ネットワークの表現学習 1 1 1 1 Deep Learning [1] Google [2] Deep Learning [3] [4] 2014 Deepwalk [5] 1 2 [6] [7] [8] 1 2 1 word2vec[9] word2vec 1 http://www.ai-gakkai.or.jp/my-bookmark_vol31-no4 588 31 4 2016
:EM,,. 4 EM. EM Finch, (AIC)., ( ), ( ), Web,,.,., [1].,. 2010,,,, 5 [2]., 16,000.,..,,. (,, )..,,. (socio-dynamics) [3, 4]. Weidlich Haag.
![:EM,,. 4 EM. EM Finch, (AIC)., ( ), ( ), Web,,.,., [1].,. 2010,,,, 5 [2]., 16,000.,..,,. (,, )..,,. (socio-dynamics) [3, 4]. Weidlich Haag.](/thumbs/102/154192978.jpg ":EM,,. 4 EM. EM Finch, (AIC)., ( ), ( ), Web,,.,., [1].,. 2010,,,, 5 [2]., 16,000.,..,,. (,, )..,,. (socio-dynamics) [3, 4]. Weidlich Haag.")
:EM,,. 4 EM. EM Finch, (AIC)., ( ), ( ),. 1. 1990. Web,,.,., [1].,. 2010,,,, 5 [2]., 16,000.,..,,. (,, )..,,. (socio-dynamics) [3, 4]. Weidlich Haag. [5]. 606-8501,, TEL:075-753-5515, FAX:075-753-4919,
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
Dirichlet 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
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
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
21 Pitman-Yor Pitman- Yor [7] n -gram W w n-gram G Pitman-Yor P Y (d, θ, G 0 ) (1) G P Y (d, θ, G 0 ) (1) Pitman-Yor d, θ, G 0 d 0 d 1 θ Pitman-Yor G
![21 Pitman-Yor Pitman- Yor [7] n -gram W w n-gram G Pitman-Yor P Y (d, θ, G 0 ) (1) G P Y (d, θ, G 0 ) (1) Pitman-Yor d, θ, G 0 d 0 d 1 θ Pitman-Yor G](/thumbs/89/99361107.jpg "21 Pitman-Yor Pitman- Yor [7] n -gram W w n-gram G Pitman-Yor P Y (d, θ, G 0 ) (1) G P Y (d, θ, G 0 ) (1) Pitman-Yor d, θ, G 0 d 0 d 1 θ Pitman-Yor G")
ol2013-nl-214 No6 1,a) 2,b) n-gram 1 M [1] (TG: Tree ubstitution Grammar) [2], [3] TG TG 1 2 a) ohno@ilabdoshishaacjp b) khatano@maildoshishaacjp [4], [5] [6] 2 Pitman-Yor 3 Pitman-Yor 1 21 Pitman-Yor
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
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
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
情報処理学会研究報告 図 1 LYRICS RADAR の歌詞検索用インタフェースの表示例 実際にはポピュラー音楽 (J-POP) を用いて実装しているが 本図では歌詞の例示のために RWC 研究用音楽デー タベースの楽曲 (RWC-MDB-P-2001 No.30) を用いた る動作 というトピッ
LYRICS RADAR: 1,a) 2 2 2 1 LYRICS RADAR 5 1. [1] [2][3][4][5] [6] Web 1 Waseda University 2 National Institute of Advanced Industrial Science and Technology (AIST) a) joudanjanai-ss akane.waseda.jp Web
Vol.56 No (Mar. 2015) Twitter 1 1,a) , Twitter SNS Twitter Twitter Visualization of the Human Relationships from Tw
Twitter 1 1,a) 2 1 2014 6 29, 2014 9 12 1 Twitter SNS Twitter Twitter Visualization of the Human Relationships from Twitter Based on the Mass Audience and Consideration of Its Case Studies Akihiro Nishimura
Graham Neubig ノンパラメトリックベイズ法 ノンパラメトリックベイズ法 Graham Neubig 2011 年 5 月 10 1
ノンパラメトリックベイズ法 Graham Neubig 2011 年 5 月 10 日 @NAIST 1 概要 ノンパラメトリックベイズ法について ベイズ法の基礎理論 サンプリングによる推論 サンプリングを利用した HMM の学習 有限 HMM から無限 HMM へ 近年の展開 ( サンプリング法 モデル化法 音声処理 言語処理のおける応用 基本は離散分布の教師なし学習 2 Non-parametric
IPSJ SIG Technical Report Pitman-Yor 1 1 Pitman-Yor n-gram A proposal of the melody generation method using hierarchical pitman-yor language model Aki
Pitman-Yor Pitman-Yor n-gram A proposal of the melody generation method using hierarchical pitman-yor language model Akira Shirai and Tadahiro Taniguchi Although a lot of melody generation method has been
fiúŁÄ”s‘ê‡ÌŁª”U…−…X…N…v…„…~…A…•‡Ì ”s‘ê™´›ß…−…^†[…fiŠ‚ª›Âfl’«
2016/3/11 Realized Volatility RV 1 RV 1 Implied Volatility IV Volatility Risk Premium VRP 1 (Fama and French(1988) Campbell and Shiller(1988)) (Hodrick(1992)) (Lettau and Ludvigson (2001)) VRP (Bollerslev
1 IDC Wo rldwide Business Analytics Technology and Services 2013-2017 Forecast 2 24 http://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h24/pdf/n2010000.pdf 3 Manyika, J., Chui, M., Brown, B., Bughin,
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,
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
1. 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 /
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
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
1 はじめに 85
1 はじめに 85 2 ジョイント スペースによるブランド選択の分析 2.1 ジョイント スペース マップ 86 2.2 ジョイント スペースとマーケティング変数を組み込んだブランド選択モデル hjt exp hjt exp hit h jt hjt hjt hjt hjt hk hjkt hjt k k hk h k hj hmt jm. m m hmt h m t jm m j hjt jm hmt.
ISM-2012-TopicModels.ppt
統 計 数 理 研 究 所 H24 年 度 公 開 講 座 確 率 的 トピックモデル 持 橋 大 地 ( 統 計 数 理 研 究 所 ) 石 黒 勝 彦 (NTTコミュニケーション 科 学 基 礎 研 究 所 ) 2013/1/15-16 統 計 数 理 研 究 所 会 議 室 1 本 講 座 の 構 成 1 日 目 : トピックモデルの 基 礎 トピックモデルとは, Naïve Bayes, PLSI,
& 3 3 ' ' (., (Pixel), (Light Intensity) (Random Variable). (Joint Probability). V., V = {,,, V }. i x i x = (x, x,, x V ) T. x i i (State Variable),
.... Deeping and Expansion of Large-Scale Random Fields and Probabilistic Image Processing Kazuyuki Tanaka The mathematical frameworks of probabilistic image processing are formulated by means of Markov
1. EC EC [1] Aspect Model [2] AM [3], [4], [5] AM EC Latent Segment Markov Chain LSMC [6] LSMC EC [7] LSMC [7] EC ID ID EC item category 12 1 E
![1. EC EC [1] Aspect Model [2] AM [3], [4], [5] AM EC Latent Segment Markov Chain LSMC [6] LSMC EC [7] LSMC [7] EC ID ID EC item category 12 1 E](/thumbs/92/110283304.jpg "1. EC EC [1] Aspect Model [2] AM [3], [4], [5] AM EC Latent Segment Markov Chain LSMC [6] LSMC EC [7] LSMC [7] EC ID ID EC item category 12 1 E")
EC 1,a) 2,b) 3,c) 2017 4 1, 2017 9 5 EC Aspect Model EC Latent Segment Markov Chain LSMC LSMC LSMC Latent Semantic Markov Model for Effective Promotion Activities in EC Sites Yuki Matsuzaki 1,a) Kenta
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
WII-D 2017 (1) (2) (1) (2) [Tanaka 07] [ 04] [ 10] [ 13, 13], [ 08] [ 13] (1) (2) 2 2 e.g., Wikipedia [ 14] Wikipedia [ 14] Linked Open
![WII-D 2017 (1) (2) (1) (2) [Tanaka 07] [ 04] [ 10] [ 13, 13], [ 08] [ 13] (1) (2) 2 2 e.g., Wikipedia [ 14] Wikipedia [ 14] Linked Open](/thumbs/92/108593098.jpg "WII-D 2017 (1) (2) (1) (2) [Tanaka 07] [ 04] [ 10] [ 13, 13], [ 08] [ 13] (1) (2) 2 2 e.g., Wikipedia [ 14] Wikipedia [ 14] Linked Open")
Web 2017 Original Paper Supporting Exploratory Information Access Based on Comic Content Information 1 Ryo Yamashita Byeongseon Park Mitsunori Matsushita Nomura Research Institute, LTD. r-yamashita@nri.co.jp
12/1 ( ) 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
main.dvi
DEIM Forum 2015 D3-1 305-8573 1-1-1 305-8573 1-1-1 ( ) 151-0051 5-13-18 101-8430 2-1-2.com,,,, Market Share Estimation based on Statistics of Search Engine Suggests Takakazu IMADA,IchiroMORIYA, Yusuke
Indirect Tweet Indirect Tweet 2. 2 Tweet Simple Tweet Reply Mention Indirect Tweet Tweet Tweet Indirect Tweet Tweet Tweet Indirect Tweet Tweet Tweet 2
DEIM Forum 207 D6-4 Twitter Indirect Tweet 63 8677-24-2 63 8677-24-2 E-mail: cm5029@ns.kogakuin.ac.jp, aki@cc.kogakuin.ac.jp Twitter Indirect Tweet Indirect Tweet TL Indirect Tweet Indirect Tweet Indirect
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
PowerPoint 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
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,
Vol.58 No (Sep. 2017) 1 2,a) 3 1,b) , A EM A Latent Class Model to Analyze the Relationship Between Companies Appeal Poi
1 2,a) 3 1,b) 2017 1 17, 2017 6 6 A EM A Latent Class Model to Analyze the Relationship Between Companies Appeal Points and Students Reasons for Application Teppei Sakamoto 1 Haruka Yamashita 2,a) Tairiku
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.
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
untitled
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.
kubostat2017b p.1 agenda I 2017 (b) probability distribution and maximum likelihood estimation :
kubostat2017b p.1 agenda I 2017 (b) probabilit distribution and maimum likelihood estimation kubo@ees.hokudai.ac.jp http://goo.gl/76c4i 2017 11 14 : 2017 11 07 15:43 1 : 2 3? 4 kubostat2017b (http://goo.gl/76c4i)
(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
Microsoft PowerPoint PresentationPRMU2008Nov.ppt [互換モード]
![Microsoft PowerPoint PresentationPRMU2008Nov.ppt [互換モード]](/thumbs/81/82809688.jpg "Microsoft 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
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
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
目次 ガウス過程 (Gaussian Process; GP) 序論 GPによる回帰 GPによる識別 GP 状態空間モデル 概括 GP 状態空間モデルによる音楽ムードの推定
公開講座 : ガウス過程の基礎と応用 05/3/3 ガウス過程の基礎 統計数理研究所 松井知子 目次 ガウス過程 (Gaussian Process; GP) 序論 GPによる回帰 GPによる識別 GP 状態空間モデル 概括 GP 状態空間モデルによる音楽ムードの推定 GP 序論 ノンパラメトリック予測 カーネル法の利用 参照文献 : C. E. Rasmussen and C. K. I. Williams
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
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
WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias [7] Query by humming Chen [8] Query by rhythm Jang [9] Query-by-tapp
![WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias [7] Query by humming Chen [8] Query by rhythm Jang [9] Query-by-tapp](/thumbs/91/107555259.jpg "WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias [7] Query by humming Chen [8] Query by rhythm Jang [9] Query-by-tapp")
Query-by-Dancing: WISS 2018. Query-by-Dancing Query-by-Dancing 1 OpenPose [1] Copyright is held by the author(s). DJ DJ DJ WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias
main.dvi
DEIM Forum 2017 D3-4 305-8573 1-1-1 305-8573 1-1-1 ( ) 151-0053 1-3-15 6F 101-8430 2-1-2 This paper presents techniques of retrieving know-how sites from the collection of Web pages. The proposed techniques
/22 R MCMC R R MCMC? 3. Gibbs sampler : kubo/
2006-12-09 1/22 R MCMC R 1. 2. R MCMC? 3. Gibbs sampler : kubo@ees.hokudai.ac.jp http://hosho.ees.hokudai.ac.jp/ kubo/ 2006-12-09 2/22 : ( ) : : ( ) : (?) community ( ) 2006-12-09 3/22 :? 1. ( ) 2. ( )
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
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
kubo2015ngt6 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 /
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
二項ソフトクラスタリング分析例 この資料では Visual Mining Studio のアイコン Dyadic Soft Clustering を使って 二項ソフトクラスタリング 分析をする方法を説明します 二項ソフトクラスタリングは一般的には PLSI, PLSA などの名前で知られています 株
二項ソフトクラスタリング分析例 この資料では Visual Mining Studio のアイコン Dyadic Soft Clustering を使って 二項ソフトクラスタリング 分析をする方法を説明します 二項ソフトクラスタリングは一般的には PLSI, PLSA などの名前で知られています 株式会社 NTT データ数理システム Copyright 2013 NTT DATA Mathematical
2.2 6).,.,.,. Yang, 7).,,.,,. 2.3 SIFT SIFT (Scale-Invariant Feature Transform) 8).,. SIFT,,. SIFT, Mean-Shift 9)., SIFT,., SIFT,. 3.,.,,,,,.,,,., 1,
1 1 2,,.,.,,, SIFT.,,. Pitching Motion Analysis Using Image Processing Shinya Kasahara, 1 Issei Fujishiro 1 and Yoshio Ohno 2 At present, analysis of pitching motion from baseball videos is timeconsuming
Microsoft PowerPoint - SSII_harada pptx
The state of the world The gathered data The processed data w d r I( W; D) I( W; R) The data processing theorem states that data processing can only destroy information. David J.C. MacKay. Information
概要 単語の分散表現に基づく統計的機械翻訳の素性を提案 既存手法の FFNNLM に CNN と Gate を追加 dependency- to- string デコーダにおいて既存手法を上回る翻訳精度を達成
Encoding Source Language with Convolu5onal Neural Network for Machine Transla5on Fandong Meng, Zhengdong Lu, Mingxuan Wang, Hang Li, Wenbin Jiang, Qun Liu, ACL- IJCNLP 2015 すずかけ読み会奥村 高村研究室博士二年上垣外英剛 概要
序 本冊子は 2015 年 1 月 5-6 日に行われた統計数理研究所共同利用研究集会 生物に見られる時空間パターンと統計数理: 同調 認知 行動 において行われた統計手法チュートリアル 離散データの確率的トピックモデル ( 統計数理研究所持橋大地 ) の講義録です チュートリアル講義を録音し テー
序 本冊子は 2015 年 1 月 5-6 日に行われた統計数理研究所共同利用研究集会 生物に見られる時空間パターンと統計数理: 同調 認知 行動 において行われた統計手法チュートリアル 離散データの確率的トピックモデル ( 統計数理研究所持橋大地 ) の講義録です チュートリアル講義を録音し テープを起こし 講義で用いた該当するスライドと合わせて編集しました なお 講義は一般に話し言葉で語られますが
IT,, i
22 Retrieval support system using bookmarks that are shared in an organization 1110250 2011 3 17 IT,, i Abstract Retrieval support system using bookmarks that are shared in an organization Yoshihiko Komaki
(b) BoF codeword codeword BoF (c) BoF Fergus Weber [11] Weber [12] Weber Fergus BoF (b) Fergus [13] Fergus 2. Fergus 2. 1 Fergus [3]
![(b) BoF codeword codeword BoF (c) BoF Fergus Weber [11] Weber [12] Weber Fergus BoF (b) Fergus [13] Fergus 2. Fergus 2. 1 Fergus [3]](/thumbs/49/25500502.jpg "(b) BoF codeword codeword BoF (c) BoF Fergus Weber [11] Weber [12] Weber Fergus BoF (b) Fergus [13] Fergus 2. Fergus 2. 1 Fergus [3]")
* A Multimodal Constellation Model for Generic Object Recognition Yasunori KAMIYA, Tomokazu TAKAHASHI,IchiroIDE, and Hiroshi MURASE Bag of Features (BoF) BoF EM 1. [1] Part-based Graduate School of Information
1 Nelson-Siegel Nelson and Siegel(1987) 3 Nelson-Siegel 3 Nelson-Siegel 2 3 Nelson-Siegel 2 Nelson-Siegel Litterman and Scheinkman(199
Nelson-Siegel Nelson-Siegel 1992 2007 15 1 Nelson and Siegel(1987) 2 FF VAR 1996 FF B) 1 Nelson-Siegel 15 90 1 Nelson and Siegel(1987) 3 Nelson-Siegel 3 Nelson-Siegel 2 3 Nelson-Siegel 2 Nelson-Siegel
橡表紙参照.PDF
CIRJE-J-58 X-12-ARIMA 2000 : 2001 6 How to use X-12-ARIMA2000 when you must: A Case Study of Hojinkigyo-Tokei Naoto Kunitomo Faculty of Economics, The University of Tokyo Abstract: We illustrate how to
スライド 1
CNN を用いた弱教師学習による画像領域分割 下田和, 柳井啓司 電気通信大学 大学院情報理工学 研究科 総合情報学専攻 c 2015 UEC Tokyo. Convolutional Neural Network CNN クラス分類タスクにおいてトップの精度 CNN の応用 ( 物体位置の認識 ) 物体検出 物体に BB を付与 領域分割 ピクセル単位の認識 CNN を用いた領域分割 CNN による完全教師ありのセグメンテーション
IPSJ SIG Technical Report Vol.2012-CG-149 No.13 Vol.2012-CVIM-184 No /12/4 3 1,a) ( ) DB 3D DB 2D,,,, PnP(Perspective n-point), Ransa
3,a) 3 3 ( ) DB 3D DB 2D,,,, PnP(Perspective n-point), Ransac. DB [] [2] 3 DB Web Web DB Web NTT NTT Media Intelligence Laboratories, - Hikarinooka Yokosuka-Shi, Kanagawa 239-0847 Japan a) yabushita.hiroko@lab.ntt.co.jp
main.dvi
DEIM Forum 2018 J7-3 305-8573 1-1-1 305-8573 1-1-1 305-8573 1-1-1 () 151-0053 1-3-15 6F URL SVM Identifying Know-How Sites basedonatopicmodelandclassifierlearning Jiaqi LI,ChenZHAO, Youchao LIN, Ding YI,ShutoKAWABATA,
2016 年熊本地震の余震の確率予測 Probability aftershock forecasting of the M6.5 and M7.3 Kumamoto earthquakes of 2016 東京大学生産技術研究所統計数理研究所東京大学地震研究所 Institute of Indus
2016 年熊本地震の余震の確率予測 Probability aftershock forecasting of the M6.5 and M7.3 Kumamoto earthquakes of 2016 東京大学生産技術研究所統計数理研究所東京大学地震研究所 Institute of Industrial Science, University of Tokyo The Institute of
Microsoft PowerPoint - 身心14May29saiki
瞑想と脳波の時間相関構造 ~ 経過報告 ~ 齋木潤 京都大学大学院人間 環境学研究科 アプローチ 脳機能計測 :fmri 空間的なネットワーク特性 脳機能計測 :EEG(MEG) 時間的なネットワーク特性 狙い : 瞑想時に脳活動の時間的なネットワーク特性にいかなる変化が生じるのか 瞑想の脳波実験 一貫した結果は得られていない EEGの周波数解析 α β θ 事象関連電位 (ERP) P3a, P3b
IPSJ SIG Technical Report Vol.2010-CVIM-170 No /1/ Visual Recognition of Wire Harnesses for Automated Wiring Masaki Yoneda, 1 Ta
1 1 1 1 2 1. Visual Recognition of Wire Harnesses for Automated Wiring Masaki Yoneda, 1 Takayuki Okatani 1 and Koichiro Deguchi 1 This paper presents a method for recognizing the pose of a wire harness
kubostat2017c p (c) Poisson regression, a generalized linear model (GLM) : :
kubostat2017c p.1 2017 (c), a generalized linear model (GLM) : kubo@ees.hokudai.ac.jp http://goo.gl/76c4i 2017 11 14 : 2017 11 07 15:43 kubostat2017c (http://goo.gl/76c4i) 2017 (c) 2017 11 14 1 / 47 agenda
揃 24 1681 0 20 40 60 80 100 0 21 42 63 84 Lag [hour] Lag [day] 35
![揃 24 1681 0 20 40 60 80 100 0 21 42 63 84 Lag [hour] Lag [day] 35](/thumbs/40/20539367.jpg "揃 24 1681 0 20 40 60 80 100 0 21 42 63 84 Lag [hour] Lag [day] 35")
Forecasting Model for Electricity Consumption in Residential House Based on Time Series Analysis * ** *** Shuhei Kondo Nobayasi Masamori Shuichi Hokoi ( 2015 7 3 2015 12 11 ) After the experience of electric
MATLAB®製品紹介セミナー
MATLAB における分類 パターン認識 - 入門編 - MathWorks Japan アプリケーションエンジニアリング部 ( テクニカルコンピューティング部 ) アプリケーションエンジニア大開孝文 2012 The MathWorks, Inc. 1 アジェンダ 回帰モデルと分類モデルについて 分類手法を使ったワインの品質モデリング まとめ 2 分類手法を使ったワインの品質モデリング アプローチ
Presentation Title
データの本質を読み解くための機械学習 MATLAB でデータ解析の課題に立ち向かう MathWorks Japan アプリケーションエンジニア部アプリケーションエンジニア井原瑞希 2016 The MathWorks, Inc. 1 Buzzwords IoT 人工知能 / AI データ解析 ビッグデータ 2 データ解析ワークフロー データへのアクセスと探索 データの前処理 予測モデルの構築 システムへの統合
日本製薬工業協会シンポジウム 生存時間解析の評価指標に関する最近の展開ー RMST (restricted mean survival time) を理解するー 2. RMST の定義と統計的推測 2018 年 6 月 13 日医薬品評価委員会データサイエンス部会タスクフォース 4 生存時間解析チー
日本製薬工業協会シンポジウム 生存時間解析の評価指標に関する最近の展開ー RMST (restricted mean survival time) を理解するー 2. RMST の定義と統計的推測 2018 年 6 月 13 日医薬品評価委員会データサイエンス部会タスクフォース 4 生存時間解析チーム 日本新薬 ( 株 ) 田中慎一 留意点 本発表は, 先日公開された 生存時間型応答の評価指標 -RMST(restricted
