T-01 Q 統 計 量 における0 値 の 母 固 有 値 に 当 たる 主 成 分 項 の 従 う 近 似 分 布 小 林 靖 之 帝 京 大 学 理 工 学 部 マハラノビス 距 離 では 母 固 有 値 0に 当 たる 項 を 扱 えないので 対 策 の1 方 法 としてQ 統 計 量 を 用 いている ( 他 には 正 則 化 ) 0 の 判 断 に 理 論 的 基 準 は 無 く 標 本 固 有 値 による 経 験 的 判 断 しかなかった 0に 当 たるQ 統 計 量 の 主 成 分 項 のモデルも 無 く マハラノビス 距 離 とQ 統 計 量 を 融 合 して 同 時 に 扱 えなかった 計 算 機 で 生 じる 打 切 り 誤 差 の 影 響 を 考 慮 すると 0を 判 断 する 標 本 固 有 値 の 近 似 モデル( 理 論 的 基 準 の 候 補 ) 0に 当 たるQ 統 計 量 の 主 成 分 項 の 近 似 モデル が 提 案 できた 数 値 実 験 ではモデルと 概 ね 合 う 結 果 を 得 た 本 提 案 モデルにより 今 まで 無 かったマハラノビス 距 離 とQ 統 計 量 の 両 者 を 融 合 したモデルを 実 現 できる 可 能 性 があると 考 えている
[ T-02 ] Adaptive scaling for soft-thresholding estimator LASSO : l 1 : SCAD, adaptive-lasso l 1 LASSO LASSO soft-thresholding soft-thresholding component-wise data dependent Wavelet denosing
T-03 L1 γ MM n=2000 n=2000 0.0 0.4 0 100 200 0.0 0.4 0 100 200
スパース 表 現 を 用 いた 非 線 形 主 成 分 分 析 における 学 習 結 果 の 分 類 法 について T-04 香 田 夏 輝 渡 辺 澄 夫 ( 東 工 大 ) このスパース 表 現 を ヒトが 理 解 できる 方 法 を 提 案 従 来 法 の 非 線 形 主 成 分 分 析 LASSO 回 帰 適 用 学 生 優 秀 プレゼンテーション 賞 対 象
学 生 優 秀 プレゼンテーション 賞 対 象 第 18 回 情 報 論 的 学 習 理 論 ワークショップ T-05 Wildcardを 許 容 した 頻 出 部 分 グラフマイニング 岡 崎 文 哉 瀧 川 一 学 ( 北 大 ) 背 景 頻 出 部 分 グラフマイニングは グラフデータベース 中 に 高 頻 度 で 出 現 する 部 分 グラフを 列 挙 す る 問 題 頻 出 部 分 グラフには ラベルが 一 部 異 なるだけの 類 似 部 分 グラ フが 多 数 存 在 する Wildcard 許 容 よりグラフの 特 徴 を 表 す 構 造 を 持 つグラフパターンを 抽 出 グラフデータベース 一 部 頂 点 ラベルが 異 なる 部 分 構 造 例 )ヘテロ 五 員 環 のwildcardパターン N N H N H N O O N S S 頻 出 部 分 グラフパターン 5/5 5/5 実 験 結 果 5/5 4/5 4/5 頻 出 部 分 グラフ 頻 出 部 分 グラフ(wildcard) 頻 出 飽 和 部 分 グラフ(wildcard) 頻 出 極 大 部 分 グラフ(wildcard) パターン 要 約 N N H N O N S Wildcardを 許 容 した 頻 出 飽 和 極 大 部 分 グラフ
T-06 LDAを 用 いたセルオートマトンによる 交 通 流 の 分 析 東 京 工 業 大 学 山 崎 啓 介 集 団 としての 運 転 行 動 の 分 析 : 運 転 支 援 システムへの 応 用 交 通 流 を 表 すセルオートマトンによるドライバーモデリング セルオートマトン(CA)の 統 計 的 表 現 混 合 二 項 分 布 LDAによる 拡 張 データセット= 文 書 とみなす 分 析 が 容 易 なCA データセット 毎 の 特 徴 をとらえた コンパクトな 表 現 が 可 能 ベイズ 推 定 によるトピックモデル
T-07 セルオートマトンを いた 律 的 な 線 変 更 モデルによる 交 通 流 最 適 化 の 研 究 梶 大 介 (デンソー) 山 崎 啓 介 ( 東 工 大 ) 運 転 が 普 及 した 社 会 を 想 定 し 3 線 道 路 における 律 的 線 変 更 モデル による 交 通 流 の 最 適 化 をセルオートマトンを いて 検 討 速 度 が 均 の 場 合 確 定 的 なルール 確 率 的 ルール 2 種 類 の 速 度 がある 場 合 確 率 的 なルール により 最 適 化 と 同 時 に 線 の 意 味 が 付 加 される 確 率 的 なルールによる 隊 列 の 構 成 いずれの 場 合 においても 確 定 的 なルールのみでなく 確 率 的 なルールを 与 えるこ とが 線 の 有 効 利 交 通 流 最 適 化 に 有 効 であることが された This information is the exclusive property of DENSO CORPORATION. Without their consent, it may not be reproduced or given to third parties.
density 0.0 0.1 0.2 0.3 0.4 0.5 m mixture e mixture Gauss1 Gauss2 m-mixture: p m = P N i=1 ip i e-mixture: p e =exp PN i=1 i log p i b( ) 10 5 0 5 10 ( X N p e (x; ) =exp i log 1 n i ' i=1 KX w k (x y k ) k=1 Xn i k=1 (x x (i) k ) b( ) ) statistical space S D 1 D 0 D 2 1 p p 0 2 D 4 p 1 D 3 p 4 p 3
X ' DC Q P W Q ' P W A B C A A B C A B C A B C A B C A B C C A B C B ˆq (j) q (j) D KL (ˆq (j),q (j) ) ˆq (j) q (j) ˆq (j) p (1) p (2) C
T-10: LiDAR 深 度 データを 用 いたCNNブレーキシーン 認 識 嶋 田 達 之 介 1 松 原 拓 央 1 園 田 翔 1 村 田 昇 1 オータルパトリシア 2 加 藤 真 平 2 [1] 早 稲 田 大 学 大 学 院 先 進 理 工 学 研 究 科 [2] 名 古 屋 大 学 大 学 院 情 報 科 学 研 究 科 提 案 1: 車 両 周 辺 のデータからブレーキシーン 認 識 をするCNNの 学 習 提 案 2:LiDARデータのCNN 入 力 の 前 処 理 提 案 LiDAR 2 LiDARデータ Convolutional Neural Network データ 記 録 車 両 1 Brake ON! Brake OFF! [ 学 生 優 秀 プレゼンテーション 賞 対 象 ]
T-11: -情報幾何における q-正規分布族の扱いについて 福岡大学 田中 勝 互いに絶対連続な測度の集合上に平行移動を定義しアファイン空間にする -アファイン共役を定義する 縮約を定義する くり込みを定義する -情報幾何学 非指数型分布族である q-正規分布族を用いて具体的にどうなるのかを示す -情報幾何学を使う利点の１つ 離散分布に対するエントロピーから連続分布に対するエントロピーを導出する 発散項が出てくる くり込みにより解決される
G G k K k (G, G ) = V i, j=1 k [ λ l A l ] l=0 ij (λ l > 0) K GR (G, G ) = V i, j=1 [ λ l A l ] l=0 ij = V i, j=1 [(I λa ) 1 ] ij
T$13 :" " D 0 " " " ( )," ( )," ( )," ( ) D y 1 x 1 x 2 x 2 y 2 x 3 y 3 x 3 y 3 x 4 y 4 w = A(D) :" V A (w 0, w) := E (x,y) P `(x > w 0,y) " " :" " "m," "n" SVM" " " y 2 w 0 = A(D 0 ) `(x > w,y)
T-14 Task Selection for Bandit-Based Task Assignment in Heterogeneous Crowdsourcing Hao Zhang (Tokyo Tech) and Masashi Sugiyama (UTokyo) Task Assignment Online decision making on which labeling task is to be assigned to which worker Task Assignment We borrowed ideas from active learning and developed task selection strategies for task assignment in crowdsourcing. 東 京 工 業 大 学 Tokyo Institute of Technology Worker Selection Task Selection Recently addressed by Bandit-based Task Assignment (BBTA) [1] Focus of this work [1] Zhang H., Ma Y., and Sugiyama M. Bandit-based task assignment for heterogeneous crowdsourcing. Neural Computation, vol.27, no.11, pp.2447-2475, 2015.
(T-15) ( ), ( ), ( ), ( ), (JFCC), ( ), ( ), ( )
T -16 Geometry-aware Stationary Subspace Analysis for Multivariate Signals Inbal Horev (TokyoTech), Florian Yger (Universite Paris-Dauphine) and Masashi Sugiyama (UTokyo) Sta onary Subspace Analysis (SSA) extracts the sta onary part of a mixture of sources for example: Brain Computer Interface 1.5 Proposal: An SSA method based on the Riemannian geometry of SPD matrices SSA: Divergence between distribu ons 1 GA-SSA: Distance between matrices 0.5 Feature Extraction Classification c 0 0.5 1 5 10 15 15 5 10 15 10 5 0 Decision Rule 1.5 0 0.5 1 a 1.5 0 0.2 0.4 b 0.6 0.8 1 1.2 5 10 0 50 100 東 京 工 業 大 学 Tokyo Institute of Technology
T-18 Online Markov Decision Processes with Policy Iteration Yao Ma, Hao Zhang (Tokyo Tech) and Masashi Sugiyama (UTokyo) Motivating Example: tracking a target car that moves abruptly in real time. Goal: Learn a time dependent driving strategy that minimizes the sum of distances between the target and us. target car dist 1 distt us We proposed online policy gradient algorithm for large (continuous) state space 東 京 工 業 online 大 学 MDPs with a sublinear regret. 東 京 工 業 大 学 Tokyo Institute of Technology
音楽音響信号解析のためのステューデント 𝒕 分布に基づく 非負値行列分解 (NMF) と半正定値テンソル分解 (PSDTF) 吉井 和佳 (京大) 糸山 克寿 (京大) 後藤 真孝 (産総研) NMF: 非負値ベクトルを少数の非負値ベクトルの線形和で近似 𝒙1 𝒙2 𝒙3 𝒙𝑁 𝒘1 𝒘2 𝒘3 非負値 T-19 𝐾 非負値 𝒙𝑛 ℎ𝑘𝑛 𝒘𝒌 𝑘=1 𝒉𝒉1 2 𝒉3 周波数ビン間の相関を考慮 位相を取り扱える PSDTF: 半正定値行列を少数の半正定値行列の線形和で近似 音源分離精度 SDR 18.9 [db] 半正定値 𝐾 半正定値 𝑿𝑛 ℎ𝑘𝑛 𝑾𝒌 𝑿1 𝑿2 𝑿3 𝑿𝑁 𝑾1 𝑾2 𝑾3 𝑘=1 𝒉12 𝒉 𝒉3 音源分離精度 SDR 26.7 [db] ガウス分布 𝒕分布にするとIS-NMF, Cauchy NMF, LD-PSDTFを含む統一的な確率モデル 局所解に陥りにくい スペクトルの加法性が保証されたNMF 中間的なNMFもOK
T-21 Robustification of Learning Algorithms using Hinge-loss Takafumi Kanamori (Nagoya Univ.), Shuhei Fujiwara (Top Gate Co. Ltd.), Akiko Takeda (Univ. of Tokyo) Breakdown point SVM breakdown point * IBIS2014 2 SVM breakdown point * SVM breakdown point (1-class ) Linear kernel Outlier ratio=0.3 BP: 1 ν µ=0.2 max norm 0.0 0.5 1.0 1.5 2.0 2.5 3.0 0.0 0.20.4 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 µ 0.6 0.81.0 ν max norm 0 1 2 3 4 5 (ν,µ)=(0.2,0.6) (ν,µ)=(0.4,0.4) (ν,µ)=(0.6,0.2) 0.1 0.2 0.3 0.4 0.5 outlier ratio
IBIS WS2015 T-25: KL-UCB [Ding et al., 2013] KL-UCB [Garivier and Cappé, 2011] KL-UCB-IE 1/4 TS [Xia et al., 2015],, ( ) KL-UCB for Budgeted Bandits IBIS WS2015 T-25 1 / 1
T-35: Modularity 個 人 友 好 関 係 コミュニティ Social Network.,.. Modularity.., November 17, 2015 1 / 1
D-01 MDL 規 準 に 基 づく 階 層 的 クラスタンリングを 用 いた 緑 内 障 進 行 パターンに 関 する 知 識 発 見 真 矢 滋 ( 東 京 大 学 *), 森 野 佳 生 ( 東 京 大 学 ), 村 田 博 史 ( 東 京 大 学 ) 朝 岡 亮 ( 東 京 大 学 ), 山 西 健 司 ( 東 京 大 学, CREST) (* 現 在 ( 株 ) 東 芝 研 究 開 発 センターに 所 属 ) 緑 内 障 とは 症 状 : 視 野 欠 損 多 様 な 進 行 パターンが 存 在 提 案 手 法 [1] 直 積 構 造 を 組 み 込 みクラスタ 数 自 動 決 定 が 可 能 なMDL 規 準 による 階 層 的 クラスタリング 動 的 計 画 法 を 用 いた 効 率 的 な 符 号 長 算 c出 緑 内 障 の 特 徴 : 直 積 構 造 医 学 的 な 知 識 の 獲 得 1. 緑 内 障 進 行 cの 時 間 発 展 を 検 出 2. 緑 内 障 進 行 予 測 の 精 度 改 善 に 貢 献 [1] S. Maya, K. Morino, H. Murata, R. Asaoka, and K. Yamanishi. Discovery of glaucoma progressive patterns using hierarchical MDL-based clustering, In Proceedings of the 21th ACM SIGKDD, pp. 1979-1988, 2015.
(Difference of Convex) 学生優秀プレゼンテーション賞対象 D-03 スパース正則化に対するDCアルゴリズム 後藤 順哉 (中央大学) 武田 朗子 (東京大学) 東野 克哉 (東京大学) L0制約と等価な正則化法の提案 凸緩和 L1正則化 f (x) + x 1 x(t+1) = prox L0制約付き問題 f (x) s.t. x 上位k成分の和 k 0 ( x 非ゼロ要素数 等価 0.8 DCA 残差平方和 非零要素数 500 ISTA 400 0.6 300 0.5 4 6 8 10 12 14 16 18 反復回数 0 0 0.03 0.01 100 2 0.04 0.02 200 0.4 0 x 1 f (x(t) ) + s(x(t) ) L L DCアルゴリズム (t) DC正則化 600 0.7 劣勾配 x k ) 1 1 計算時間 min. ISTA 1 (t) x f (x(t) ) L 2 4 6 8 10 12 14 16 18 反復回数 0 0 2 4 6 8 10 12 14 16 18 反復回数
D-05: (NTT), ( ), (NTT)!! O(nlogn) ( )!! ( ) P n Potts ( ) Copyright 2014 NTT corp. All Rights Reserved.
D-06 欠 損 ありオミクスデータのための 疎 偏 相 関 行 列 推 定 法 疎 偏 相 関 行 列 による ネットワーク 構 造 の 予 測 データ 行 列 復 元 + + 宇 田 新 介, 九 州 大 学 データベース(DB) True positive rate of edge 人 工 データによるネット ワーク 推 定 の 性 能 評 価 False positive rate of edge 定 式 化 min ii pqρ,, \, σ 2 2 kk 1 ik ij ih jh j ih jh ii ih jh ij i, j D 2 y p q w p q p q h 2 i, j h k i h i j 欠 損, 偏 相 関 同 時,DBあり( 提 案 手 法 ) 欠 損, 偏 相 関 個 別,DBあり 欠 損, 偏 相 関 個 別,DBなし ij L1 正 則 化 + 行 列 積 分 解 低 ランク 近 似 疎 偏 相 関 行 列 とデータ 行 列 の 復 元 を 同 時 に 行 う
D-07 ( 学 生 優 秀 プレゼンテーション 賞 対 象 ) ロバストなスパース 回 帰 バッチおよびオンライン 学 習 川 島 孝 行 ( 総 研 大 ) 藤 澤 洋 徳 ( 統 数 研 ) Lasso 標 準 化 + Lasso 標 準 化 のダイバージェンスを 用 いた 表 現. 提 案 手 法 γダイバージェンスによるロバスト 化. ロバストな 推 定 アルゴリズム MMアルゴリズムを 用 いた, 単 調 な 推 定 アルゴリズム. 新 規 データに 対 するスケーラビリティー オンライン 最 適 化 による, 逐 次 推 定 アルゴリズム. 標 準 化 のロバスト 化 説 明 変 数 に 対 するロバスト 性.
D-09 動 的 ボルツマンマシン 恐 神 貴 行 & 大 塚 誠 (IBM 東 京 基 礎 研 究 所 ) Osogami & Otsuka (2015) www.nature.com/articles/srep14149 Dynamic Boltzmann machine Spike-timing dependent plasticity Dan & Poo (2006) x i [t] x i [t-1] x i [t-2] x i [t-3] x j [t] MLE Formal limit Refine Boltzmann machine x i w ij x j MLE Hebb s rule Cells that fire together, wire together This research was supported by CREST, JST
D-10 相 対 評 価 に 基 づく 協 調 ランキング 問 題 森 富 賢 一 郎 畑 埜 晃 平 瀧 本 英 二 ( 九 州 大 学 ) 協 調 ランキング 問 題 Y アイテムペアの 比 較 評 価 情 報 1 2 1 3 3 4 3 5 4 5 アイテム 上 のランキング 1 2 4 5 3 提 案 手 法? 1 0? 0 0? 1? 1? 1 0 1? 一 部 のアイテムペアの 比 較 評 価 情 報 絶 対 評 価 X 緩 和 した 相 対 評 価 Y 緩 和 した 相 対 評 価 Y 対 応 するランキングにラウンディング 主 結 果 π 1 = ( 2, 5, 1, 3, 4 ) π 2 = ( 2, 3, 4, 1, 5 ) π 3 = ( 3, 5, 1, 2, 4 ) 相 対 評 価 情 報 を 連 続 値 に 緩 和 潜 在 的 な 絶 対 評 価 を 考 えるモデル 相 対 評 価 の 穴 埋 めをするモデル ランキングの 汎 化 誤 差 の 上 界 の 導 出 学 生 優 秀 プレゼンテーション 賞 対 象
Y = f(x)+ X 2 R I 1 I 2... I K X 7! Tensor input {x (k) r 2 R I X k } k,r 7! CP-decomposition m X r Y k f (k) m (x (k) r ) Regression model
D-13 Local Kernel Dimensional Reduction in Approximate Bayesian Computation (SOKENDAI), ISM Automatically construct sufficient summary statistics in Approximate Bayesian Computation like algorithms. Using Gradient based Kernel Dimensional Reduction to reduce the dimensionality of the summary statistics. Propose a Local weighting algorithm to concentrate on the observation. Different summary statistics for different parameter. Low dimensionality achieved. Accurate estimation of the posterior mean measured in mean squared error. Works well in highly nonlinear problems.
学 生 優 秀 プレゼンテーション 賞 対 象 D-15: 特 徴 ベース 非 負 値 行 列 分 解 に 基 づく 交 通 リスクマイニング 発 表 者 : 守 屋 航 一 松 島 慎 山 西 健 司 ( 東 京 大 学 大 学 院 情 報 理 工 学 系 研 究 科 ) ヘテロな 交 通 データから 道 路 地 点 の 危 険 度 を 予 測 する 問 題 特 徴 ベース 非 負 値 行 列 分 解 という 新 しい 手 法 を 提 案 これを 用 いた 危 険 箇 所 のクラスタリング 事 故 件 数 の 予 測 を 行 うフレームワーク を 提 案 提 案 手 法 は 既 存 手 法 より 高 速 かつ 高 精 度 であることを 実 験 で 確 認 実 際 の 交 通 データに 対 して 用 いた 結 果 危 険 箇 所 の 特 定 に 成 功 IEEE DSAA 2015 (Paris)で 発 表 本 研 究 はJST-CRESTの 一 部 として 行 われた
D-17 類 似 度 に 基 づくクラスタリング 竹 岡 邦 紘 岡 留 剛 ( 関 西 学 院 大 ) クラス 数 を 未 知 とした カーネル 行 列 に 対 するクラスタリング 手 法 の 提 案 ポイント 確 率 的 生 成 モデル 行 列 の 各 要 素 が 潜 在 特 徴 ベクトル z i の 内 積 で 生 成 カーネル 行 列 行 列 の 各 要 素 が 非 独 立 のため 最 適 化 が 困 難 行 列 を 行 ごとに 分 解 し 行 ごとの 尤 度 を 求 める 対 角 要 素 が 与 えられた 下 で 他 の 要 素 が 独 立 尤 度 は の 次 元 数 によらない z i 事 後 確 率 最 大 で 分 類 しクラス 数 も 推 定 学 生 優 秀 プレゼンテーション 賞 対 象
活 性 値 情 報 のグループ 化 と ランク 学 習 による 活 性 化 合 物 予 測 D-19 学 生 優 秀 プレゼンテーション 賞 対 象 鈴 木 翔 吾, 大 上 雅 史, 秋 山 泰 ( 東 京 工 業 大 学 大 学 院 情 報 理 工 学 研 究 科 計 算 工 学 専 攻 ) 目 的 活 性 が 未 知 の 化 合 物 のランキングを 予 測 する 既 知 の 活 性 値 情 報 を 用 いたランク 学 習 問 題 化 合 物 の 活 性 値 情 報 には 実 験 誤 差 が 潜 在 する 実 験 系 による 誤 差 実 験 者 実 験 手 法 によっても 誤 差 が 生 じる オーダーレベルの 誤 差 が 生 じることもある 化 合 物 A B C D?? 提 案 手 法 観 測 値 によって 化 合 物 をグループ 化 する グループランクを 用 いたランク 学 習 化 合 物 A B C D 観 測 値 15 nm 600 nm 450 nm 10,000 nm グループ ランク 1 2 2 531 グループ 化 32 3 真 の 活 性 値 10 nm 300 nm 500 nm 1,000 nm 実 験 誤 差 観 測 値 15 nm 600 nm 450 nm 10,000 nm 観 測 値 のランクは 容 易 に 入 れ 替 わる 細 かいランクに 意 味 は 無 い ( 特 に 活 性 の 有 無 が 曖 昧 な 領 域 ) 10 pm ~ ~100 μm 10 pm ~ ~100 μm 従 来 手 法 提 案 手 法 ROC-AUC 0.846 0.862 NDCG@10 0.289 0.341 データセット: BindingDB CTSK
! D(21!,!,! (! ht 0 h1 > ht 0 h2 T DAE! log( (h0 h1!! ) ht 0 h2 ))
D-23 ネットワーク 中 心 性 を 用 いた テンポラルネットワークの 異 常 検 知 〇 要 名 本 義 太 郎 ( 東 大 ), 森 野 佳 生 ( 東 大 ), 山 西 健 司 ( 東 大, CREST) 研 究 背 景 ネットワークの 重 要 な 指 標 として ネットワーク 中 心 性 がある 近 年 テンポラルネットワークの 異 常 検 知 が 盛 んだが ネットワーク 中 心 性 の 利 用 については 十 分 に 解 析 さ れていない 研 究 目 標 ネットワーク 異 常 検 知 におけるネットワーク 中 心 性 という 指 標 の 効 果 役 割 について 明 らかにする 複 数 のネットワーク 中 心 性 を 組 み 合 わせることでネット ワークの 異 常 検 知 精 度 を 向 上 させる 提 案 手 法 複 数 のネットワーク 中 心 性 を 組 み 込 んだ テンポラルネッ トワークの 異 常 検 知 手 法 既 存 手 法 (Panagiotis+,2010)より 異 常 検 知 精 度 が 向 上 * 本 研 究 はJST-CRESTの 一 部 として 行 われた 次 数 中 心 性 近 傍 中 心 性 PageRank 異 常 検 知 時 間 学 生 優 秀 プレゼンテーション 賞 対 象
ロゴのパターン D-27: fmriデータに対するシンプルで強い仮定を必要 としない脳活動領域の特定法 寺田 吉壱 / ドリフトの完全除去や正規性を仮定 代表的な解析ソフト(SPM等) 弱い仮定の下 simpleなhrf推定量 (DBE) の一致性と漸近正規性を証明 この結果に基づき活動領域特定のための新しい検定統計量を提案! FIR (SPM) の推定結果の比較 Canonical (SPM) Test Statistics 4.5 25 4.0 従来法 (SPM) 240 2 180 2 120 120 1 140 140 0 160 180 160 15 Test Statistics 2 10 提案手法 1 200 3 220 4 240 5 5 DBE FIR (SPM) Cano (SPM) 220 1 3.0 0 20 3.5 1 180 160 140 120 0 Test Statistics 被験者1の脳 Test Statistics 2 200 自分の脳 220 240 3 Test Statistics 血流動態反応関数 (HRF) 6.0 1000 5.5 800 5.0 400 600 Time (s) 脳活動 200 200 装置等の影響による信号のドリフト 35 0 Remark : 30 15 5 0 5 10 15 あるvoxelの実際のfMRI signal 0 5 10 15 FFA (Fusiform face area) の活動がより明確に! 刺激
D-29 i-vectorの 識 別 手 法 にBaggingを 加 えた 話 者 識 別 法 園 田 祥 平 ( 早 稲 田 大 学 ), 井 上 真 郷 ( 早 稲 田 大 学 ) 定 式 化 提 案 手 法 発 話 から 得 られた 話 者 の 特 徴 量 から i-vectorを 抽 出 d 次 元 話 者 特 徴 量 = i-vectorは 超 球 上 に 分 布 するため cos 類 似 度 を 用 いて 話 者 の 推 定 が 可 能 + 全 ての 話 者 に 共 通 の 特 徴 n 次 元 基 底 i-vector 話 者 特 有 の 特 徴 登 録 データから 因 子 分 析 により 基 底 を 学 習 推 定 話 者 : i = argmax max cos (ω test, ω i,j ) i j 更 なる 識 別 精 度 向 上 のためBaggingを 導 入 登 録 データ セット テスト データ 結 果 抽 出 データセット 1 抽 出 データセット 2 抽 出 データセットn 弱 学 習 器 1 弱 学 習 器 2 弱 学 習 器 n 既 存 手 法 に 対 し 改 善 が 見 られた 多 数 決 にて 決 定 学 習 器 結 果 出 力 学 生 優 秀 プレゼンテーション 賞 対 象
D"32 LXV X F & 4 2 1 2-2 b r hi -, LXV X ap F b V l m Fe F V 4-0 - 4 - M E V
RegT DB = O(T 3/4 ) RegT DB = Õ( T 1/2) C RegT DB 1 apple Reg FO C 2 t apple Reg DB T
, @ B( d m n D-36 2B : BB 1 FAB C C @, A@ 2B : BB 1 FAB C B 7! wsu na S Ni(, I @A AB7 051 @CAB AF MM!, @ B a ki n J iy rl e o J P # RNN example loss = 0 for x, t in zip(xs, ts): h = F.tanh( model.x_to_h(x) + model.h_to_h(h)) y = model.h_to_y(h) loss += loss_fun(y, t) loss.backward() optimizer.update() t sotf N! N J n i T hc ) X
[D 38]ガウス 核 を 用 いた 柔 軟 な 超 曲 面 あてはめに 向 けて 藤 木 淳 ( 福 岡 大 学 ), 赤 穂 昭 太 郎 ( 産 総 研 ) KMCA ( 核 劣 成 分 分 析 ) により 柔 軟 な 超 曲 面 あてはめを 実 現 する ガウス 核 では 零 固 有 値 の 固 有 空 間 の 次 元 は 無 限 大 この 固 有 空 間 の 自 由 度 ( 自 由 度 無 限 大 )が 柔 軟 なあてはめを 実 現 する しかし 無 限 次 元 から 適 切 なベクトルを 選 ぶのが 難 しい IBIS 2015
D-40, ( ), ( ), ( ) : L1 : L2 (SVM) : L1 1/1
D642!!!! NTT Collapsed Gibbs Sampling 1 2 3 1! 2!Collapsed!Gibbs!Sampling!!!
D-44 オンライン 二 分 探 索 木 問 題 に 対 する 更 新 コスト 付 きリグレット 解 析 について 松 川 理 拓, 山 内 由 紀 子, 来 嶋 秀 治, 山 下 雅 史 ( 九 州 大 学 ) 学 生 優 秀 フ レセ ンテーション 賞 対 象 概 要 :Hannanのアルゴリズム(1957)とKalai-Vempalaの 遅 延 更 新 (2005)を 基 に 改 良 したアルゴリズムを 提 案 し,リグレットの 上 界 を 解 析 する. 貢 献 : 入 力 列 の 長 さ T を 未 知 としても, 探 索 コストのリグレット 探 索 木 の 更 新 コスト 共 にO T を 達 成. 遅 延 更 新 なし 遅 延 更 新 あり 入 力 列 の 長 さ T 既 知 入 力 列 の 長 さ T 未 知 アルゴリズム FPL(Kalai-Vempala) Hannan s 探 索 コストの リグレット O T O T 更 新 コスト Ω T Ω T アルゴリズム FLL(Kalai-Vempala) 本 研 究 探 索 コストの リグレット O T O T 更 新 コスト O T O T
D-46
( ( ) ), ( ), ( ) : :
D-50: ( ) ( /JST CREST) [1] { } { 1 } { 2 } { 3 } { } { 1, 2 } { 1, 3 } { 2, 3 } { -1, }...... 3............ { 1, 2, 3,..., }... 0.25 [1] Rina Okada et al., Differentially private analysis of outliers, ECML PKDD 2015
D)52 fnirs & & fnirs: & & & /JST&CREST & SVM Granger [Hiroyasu15]&! &! &! &! & &
D+54& Large&Margin ( ), ( /JST&CREST) & (DP) & &:& DP & & &:& significant & & & DP & significant 1e+04 & p & DP &
D-58 学 生 優 秀 プレゼンテーション 賞 対 象 疾 患 リスク 公 開 による 遺 伝 情 報 の 推 定 リスクの 評 価 草 野 光 亮 ( 筑 波 大 学 ) 竹 内 一 郎 ( 名 古 屋 工 業 大 学 ) 山 田 芳 司 ( 三 重 大 学 ) 佐 久 間 淳 ( 筑 波 大 学 / JST CREST) 背 景 情 報 性 別 体 重 喫 煙 歴 etc... 遺 伝 情 報 背 景 10 疾 患 の 疾 患 リスクが 公 開 される 疾 患 A ロジスティック 回 帰 疾 患 リスク 疾 患 A 丸 め 処 理 疾 患 A 疾 患 A 公 開 疾 患 リスク 疾 患 A 疾 患 A ex) あなたの 疾 患 リスクは A です or グラフ 推 定 ( 攻 撃 者 ) 疾 患 A 疑 問 遺 伝 情 報 はどの 程 度 推 定 可 能 か? 手 法 攻 撃 者 の 視 点 で 実 際 に 推 定 を 行 う 列 挙 やMCMC 目 的 遺 伝 情 報 の 漏 れにくい 丸 め 関 数 の 検 討
D-60 N S Yahoo! JAPAN N Q. R? O O Q. JS? T Q 0 4 0 4.. O...Q. 0 4... E, A 4 53
2 -!( )! p(x(t)) X θ!!!!!!!!!!! EM!! E[X 1 (t)] E[X 2 (t)] E[X 3 (t)] E[X 4 (t)]
D-66 Community Learning (Preferred Networks) Preferred Networks America NN (NN) NN Soft Target 8 24GPU AUC
D'68 NMF! NMF!=!! V W H! NMF! NMF
D-70 The Infinite Tree Hidden Markov Model ( ) HMM (infinite HMM) Tree-structured stick-breaking process (Adams+ NIPS 2010) Infinite Tree HMM (via hierarchical Chinese District Process) HMM 1, infinite HMM ( - - - - ) ( - - )
D-72 統 計 調 査 の 約 600 分 類 の 符 号 付 与 システムについて 床 裕 佳 子, 下 野 寿 之, 和 田 かず 美, 坂 下 佳 一 郎 ( 独 立 行 政 法 人 統 計 センター) 2015/11/26 IBIS2015(つくば 国 際 会 議 場 ) 目 的 結 果 単 純 な 仕 組 みで 高 精 度 かつ 処 理 速 度 の 速 い 符 号 付 与 システムを 作 る 信 頼 度 スコアのパーセンタイルごとの 一 致 率 しくみ Cygwin, Perl, MeCab, SQLite3 約 187 万 件 で 学 習 して, 約 32 万 件 を 評 価 した 符 号 の 一 致 率 ( ロ ジ ッ ト 軸 表 示 ) 処 理 時 間 (Xeon,3GHz) 1 万 件 の 学 習 に 約 2 秒 1 万 件 の 評 価 に 約 5 秒 まだ 不 安 な 点 信 頼 度 スコアのパーセンタイル 点 複 数 の 意 味 を 持 つ 単 語 / 強 い キーワードの 副 作 用 表 記 ゆれ / カタカナ 連 続 記 入 など
D-74 学 生 優 秀 プレゼンテーション 対 象 介 護 レセプトデータに 対 する 横 断 的 特 徴 選 択 によ る 介 護 サービスの 評 価 中 里 佳 央 ( 筑 波 大 学 ), 佐 久 間 淳 ( 筑 波 大 学 /JST CREST), 川 村 顕 ( 筑 波 大 学 医 学 医 療 系 ヘルスサービス リサーチ 分 野 ), 田 宮 菜 奈 子 ( 筑 波 大 学 医 学 医 療 系 ヘルスサービスリサーチ 分 野 ) 介 護 レセプト: 介 護 サービス 利 用 量 と 要 介 護 度 の 時 系 列 データ 目 的 : 特 徴 選 択 により 要 介 護 度 の 推 移 と 介 護 サービス の 効 果 の 関 連 性 を 発 見 J T 2 c T 1 2 D T arg min S ( B t t X t Yt ) F B i t t i B 1 1 0 1, t, i d t B t T t 欠 損 値 への 対 応 時 間 平 滑 性 への 対 応 介 護 予 防 通 所 リハビ リを 受 けていることと 要 介 護 度 が 低 いこと に 大 きな 関 連 性 マルチタスク 学 習 による 時 間 横 断 的 な 介 護 サービスの 評 価 時 間 1 1 B t, d 特 徴 量 2 2
混 合 ガウシアングラフィカルモデルの 学 習 手 法 と 交 通 状 態 補 間 D-78 鈴 木 惇 平 原 祐 輔 桑 原 雅 夫 ( 東 北 大 学 大 学 院 情 報 科 学 研 究 科 ) 学 生 優 秀 プレゼンテーション 賞 対 象 研 究 目 的 道 路 ネットワーク 上 で 部 分 的 に 観 測 されたリンク 旅 行 速 度 データによる 未 観 測 リンク 速 度 の 補 間 し,ネットワーク 全 体 の 交 通 状 態 を 把 握 する 研 究 概 要 既 往 研 究 本 研 究 n=1 n=2 観 測 データの 生 成 過 程 観 測 データ 学 習 補 間 n=3 t π t 1 π x t t x o, x t x o t x u t 1 x t t x xo, x t 1 x x t 1 o x t 1 o t u, x t u, x t 1 u t 1 u EMアルゴリズム Graphical Lasso : 時 刻 tの 観 測 リンクのリンク 速 度 : 時 刻 tの 未 観 測 リンクのリンク 速 度 EMアルゴリズム Graphical Lasso n μ, Σ n π, μ, Σ n x u x u
D-84:Barron and Cover lasso Barron and Cover Barron and Cover (1991) MDL MDL (Barron et. al. (2008)) lasso lasso BC 1/1
Tensor SOMによる E-mailデータのTopic Roleの 同 時 可 視 化 D-86 波 田 野 創 九 州 工 業 大 学 本 手 法 では, BoWデータからメッセージ, 単 語 の 潜 在 変 数 を 推 定 する メッセージの 潜 在 変 数 の 分 布 から, 送 信 者 と 受 信 者 の 潜 在 変 数 を 推 定 する 例 えば, 指 定 した 送 信 者 と 受 信 者 の トピック ロールを 知 りたい CEO Traders, Vice Presidents risk, cost, trading, million, prices, values, buy, future, decision, making, 送 信 者 マップ 受 信 者 マップ 学 生 優 秀 プレゼンテーション 賞 対 象 単 語 マップ メッセージマップ
D-88 Web : 1. 2. 3. EM
D+90! Natural!Actor+Cri.c!! " " [ "2007]" " " " 1 # " X 1X 1 # X " E w t r E t r t " t=0 t=0 t=0 "! "! Cri*c" " " " Cri*c" " " w 0 w1 w t w ˆV
Predictive Control Problem Design Using Machine Learning Techniques Wemer M. Wee, Riki Eto and Yoshio Kameda NEC Corporation D92 Model Predictive Control Machine Learning Autonomous Driving Reference Model Regression Controller (Optimizer) Objective = index 1 +index 2 + Input Constraints Learned from data! ML Plant FAB/HME Outputs
D-94 双 対 分 解 を 用 いた 無 限 潜 在 特 徴 モデルによる 関 係 データの 属 性 予 測 西 出 飛 翔 ( 神 戸 大 ), 江 口 浩 二 ( 神 戸 大 ) 関 係 属 性 性 別 :1( 同 じ) 勤 務 地 :0( 異 なる) 出 身 校 :??( 未 知 ) 性 別 :0 勤 務 地 :?? 出 身 校 :1 性 別 :1 勤 務 地 :0 出 身 校 :1 性 別 :?? 勤 務 地 :0 出 身 校 :1 目 的 SNSなどの 複 数 の 属 性 が 与 えられた 関 係 データから, 既 知 の 属 性 ラベルを 利 用 しつつ 潜 在 特 徴 を 推 定 し, 未 知 の 属 性 の 予 測 を 行 う 提 案 手 法 複 雑 な 目 的 関 数 の 最 適 解 を 求 める 双 対 分 解 をMedLFRM[Jun Zhu,2012]に 適 用 複 数 の 属 性 に 対 するマルチタスクラーニングによってモデルを 推 定 実 験 双 対 分 解 の 適 用 による 予 測 精 度 の 向 上 を 評 価
Browsing%states% in%consumer%% decision%processes% Evalua)on " " " prob Gaze%features% " duration " Eye%movements% [1]"Erina"Ishikawa,"Hiroaki"Kawashima,"and"Takashi"Matsuyama:"Using"Designed"Structure"of"Visual"Content"to"Understand"ContentJBrowsing" Behavior,"IEICE"Transac)ons,"98(8),"2015." [2]"Erina"Ishikawa"Schaffer,"Hiroaki"Kawashima,"and"Takashi"Matsuyama:"Es)ma)on"of"Browsing"States"in"Consumer"Decision"Processes"from" Eye"Movements,"The"3rd"IAPR"Asian"Conference"on"PaYern"Recogni)on"(ACPR2015)."
D"83%Latent%Synonym%Topic%Models% Weihua%Hu(UTokyo),%Motoki%Sato(NAIST),%Hideki%Mima(UTokyo),%Jun ichi%tsujii(aist) Topic%as%a%distribuHon%over% words. LDA Topic%inference%depends%on% co"occurrence%of% words. Vocabulary%size%is% Latent(synonym(Topic(Models latent(synonyms. co"occurrence%of%% latent(synonyms.( large%and%sparse.%% small%and%dense.%% (Usually%5000%"%10000) (Usually%500%"%1000) Synonyms%are%clustered%in%word2vec% vector%space.% % % ObservaHon Proposal We%introduce%latent(synonym(vectors% from%which%actual%word%vectors%are% generated%with%some%noise.% In%word%vector%space% leter document texts (document)% search documents :%synonym%vector% :%word%vector%