サクサク読めて、アプリ限定の機能も多数！
トップへ戻る
猫
ibisml.org
機械学習と知財・契約 2019.11.22 STORIA法律事務所 弁護士 柿沼太一 【自己紹介】 ▼ ２０００年４月に弁護士登録 ▼ ２０１５年３月に神戸三宮にSTORIA法律事務所設立 ▼ AI、IT、知的財産、ベンチャーを主として取り扱う ▼ 2016年10月からAIに関して積極的な情報発信を始め、現在自 動車系、医療系、工場系、WEB系など多様なAI企業からの相談、 顧問契約を締結 ▼ ２０１７年１２月東京事務所開設 ▼ 経産省の「AI・データ契約ガイドライン」検討委員会委員 （～2018.3） 1 🄫Storialaw.jp All rights reserved. 機械学習と知財・契約（総論） 2 機械学習と知財・契約（総論） ■ 収集→開発→展開の流れ 🄫Storialaw.jp All rights reserved. 3 収集 開発 展開 ・ 収集・利用するデータに知
役にたちインパクトのある 実世界AIを 金出武雄 カーネギーメロン大学ロボット研究所 Computer Vision face, color, stereo, motion, video, 3D recognition etc. etc Manipulator Design and Control Autonomous Ground Vehicle Vision-based Autonomous Air Vehicle Medical Robotics Virtualized Reality Humanoid 80 90 00 10 80 90 00 10 80 90 00 10 80 90 00 10 80 90 00 10 80 90 00 10 80 90 00 10 1 2 3 ( , , ) m m m CΨ = Ψ Ψ Ψ 多少のインパクトがあった例： 自動走行車（NAVLAB
2010年6月14日 IBISML研究会 統計的機械学習の新展開： 確率密度比に基づくアプローチ 統計的機械学習の新展開： 確率密度比に基づくアプローチ 東京工業大学 計算工学専攻 杉山 将 sugi@cs.titech.ac.jp http://sugiyama-www.cs.titech.ac.jp/~sugi 2 概要（１） �二つの確率密度関数の比を考える． �比によって，様々な学習問題が解決できる！ z 非定常環境下での適応学習，ドメイン適応，マルチ タスク学習 z 二標本検定，異常値検出，時系列の変化点検知， z 相互情報量推定，独立性検定，特徴選択，十分次元 削減，独立成分分析，因果推論， z 条件付き確率推定，確率的パターン認識 �“ひと粒で何度もおいしい”学習手法を紹介します 3 概要（２） �密度を求めるよりも，密度比を 求めるほうが易しい！ �密度推定を経由せず，密度
多腕バンディット問題の 理論とアルゴリズム 本多淳也 東京大学 新領域創成科学研究科 助教 IBIS2014 2014/11/18 1 多腕バンディット問題 (multiarmed bandit problem) • 複数台のスロットマシンをプレイするギャンブラーのモデル • 得られる報酬の確率分布は台によって異なる • なるべく期待値の高い台をプレイしたい 問題： • ある程度の回数プレイしないと台の良し悪しが分からない • 報酬の期待値の低い台を何度もプレイすると損 2 歴史 • 研究自体は1930年ごろからある – 農地への作付物の選択 – 新薬や新療法の検証 (cf. one-armed bandit) • 最近になって急速に応用範囲が拡大 – 囲碁などのゲーム木探索 – 広告・ニュース記事推薦 – ネットワークルーティング – 学習アルゴリズムの選択や最適化パラメータのチューニン
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 2. 類似度に基づく手法 3. 行列分解に基づく手法 4. ベイズ推定を用いた行列分解 5. 行列分解の非線形拡張 6. 顧客生涯価値を高めるための推薦 3 推薦手法の分類 • 協調フィルタリング – ユーザの行動履歴から推薦 ○人手で情報の付与が不要 ×新しいユーザ，新しい商品には対応できない • 内容ベースフィルタリング – アイテムの内容から推薦 ○新しい商品でも推薦可能 ×内容を
プログラム概要 日付 内容 11月25日(水) 企画：学習理論，招待講演：安倍，招待講演：Kaski，学生招待講演 11月26日(木) 企画：データ駆動科学，招待講演：河原林，ポスターセッション，懇親会 11月27日(金) 企画：機械学習と組合せ最適化，ポスターセッション 11月28日(土) チュートリアル（有料） プログラム 11月25日(水)：ワークショップ第1日 時間 内容 10:30 – 10:35 オープニング 10:35 – 12:35 企画セッション1：学習理論【オーガナイザー：鈴木 大慈】 12:35 – 14:00 昼食 14:00 – 15:00 招待講演1：安倍 直樹【座長：佐久間 淳】 15:00 – 16:00 招待講演2：Samuel Kaski【座長: 竹内 一郎】 16:00 – 18:00 企画セッション2：学生招待講演【オーガナイザー：佐藤 一誠】 11
お知らせ 2015.11.04 概要を公開しました。 2015.10.07 参加申込を開始しました。 2015.10.26 当日のスケジュールを公開しました。 2015.04.05 担当講師の情報を公開しました。 2015.01.30 ホームページを公開しました 開催情報 主催：電子情報通信学会 情報論的学習理論と機械学習研究会 日時：2015年11月28日（土） 会場：つくば国際会議場（エポカルつくば） 費用：有料（詳細は参加申込を参照） 定員に達しました。ありがとうございます。 問い合わせ先：ibis2015@ibisml.org 想定対象 企業や大学の研究者で機械学習を専門としていない方 短時間でできるだけ基礎的かつ実践的な知識を吸収したいと考えている方 機械学習を具体的な問題に応用したいと考えている方 チュートリアルスケジュール（受付開始: 9:00） 10:00 – 10:05
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. 2. 3. 4. 5. 6. 推薦システムの分類 類似度に基づく手法 行列分解に基づく手法 ベイズ推定を用いた行列分解 行列分解の非線形拡張 顧客生涯価値を高めるための推薦 3 推薦手法の分類 • 協調フィルタリング – ユーザの行動履歴から推薦 ○人手で情報の付与が不要 ×新しいユーザ，新しい商品には対応できない • 内容ベースフィルタリング – アイテムの内容から推薦 ○新しい商品でも推
論理に基づく確率モデリングのこれまで，これから 亀谷由隆（東京工業大学） 28/Mar/2011 1 第4回IBISML研究会 発表内容 • はじめに • “論理 + 確率” における諸論点 • 論理に基づく確率モデリングのこれまで – 命題論理に基づく確率推論の高速化 – 統計的関係学習 (SRL) / 確率論理学習 (PLL) – 確率モデリング言語処理系 • PRISM • 論理に基づく確率モデリングのこれから • まとめ 28/Mar/2011 2 第4回IBISML研究会 発表内容 • はじめに • “論理 + 確率” における諸論点 • 論理に基づく確率モデリングのこれまで – 命題論理に基づく確率推論の高速化 – 統計的関係学習 (SRL) / 確率論理学習 (PLL) – 確率モデリング言語処理系 • PRISM • 論理に基づく確率モデリングのこれから • まとめ 28/
NTT Communication Science Labs. NTT コミュニケーション科学基礎研究所 石黒 勝彦 2011/11/10 第14回 情報論的学習理論ワークショップ NTT Communication Science Labs. • 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 NTT Communication Science Labs. • 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 NTT Communication Science Labs. 0 1 0 1 0 0 0 1 0 1 0 1 0 0 0 1 0 1 0 1 0 1 0 1 0 0 1 0 1 1 1 0 0 1 0 1 1 フォロ
. . . . . . Outline . . . . . . . URL: http://dbs.c.u-tokyo.ac.jp/~fukushima mailto:hukusima@phys.c.u-tokyo.ac.jp 2010 6 15 , IBISML ( ) MCMC IBISML 1 / 34 . . . . . . Outline Outline . .. 1 . .. 2 – – . .. 3 – – . .. 4 – MCMC– . .. 5 – MCMC– . .. 6 ( ) MCMC IBISML 1 / 34 . . . . . . Outline . .. 1 . .. 2 – – . .. 3 – – . .. 4 – MCMC– . .. 5 – MCMC– . .. 6 ( ) MCMC IBISML 2 / 34 . . . . . . The Be
企画セッション2「ディープラーニング」 • 趣旨：応用３分野におけるDeep Learning（深層学習）の研究 の現状 • 画像：岡谷貴之（東北大学） – 「画像認識分野でのディープラーニングの研究動向」 • 音声：久保陽太郎（NTTコミュニケーション科学基礎研究所） – 「音声認識分野における深層学習技術の研究動向」 • 自然言語処理：渡邉陽太郎（東北大学） – 「自然言語処理におけるディープラーニングの現状」 画像認識分野での ディープラーニングの研究動向 岡谷 貴之 東北大学 NNの基本要素 Neural Network NN研究の歴史 DNNの過学習とその克服 • DNN → 過学習が起こる – 訓練誤差は小さいが汎化誤差は大 • 現象 – 下層まで情報が伝わらない；勾配が 拡散；訓練データが上位層のみで 表現可能 – 全結合型のNNで顕著 • 過学習の克服 １．学習最適化の工夫
Machine Learning meets Privacy Research 佐久間淳 筑波CS/JSTさきがけ 機械学習 機械学習 発⾒・予測 データ セキュリティとプライバシ 秘密情報 秘密情報 (通信の)セキュリティ 秘密情報 3 セキュリティとプライバシ 秘密情報 秘密情報 (通信の)セキュリティ 秘密情報 4 (データ)プライバシ 秘密情報 公開情報 公開情報 秘密情報 機械学習とセキュリティ・プライバシの接点はどこに？ � 議論としては⼤きく三つに集約 � Input privacy (or 匿名化) � Privacy-preserving data mining (or 秘密計算) � Output privacy (or 摂動，差分プライバシーなど) � クラウド利⽤(=outsourcing)を考慮すると少し事情は � クラウド利⽤(=outsourcing)を考慮す
S.D. Babacan Google TTIC 1 NIKON CORPORATION Core Technology Center November 13, 2013 2 NIKON CORPORATION Core Technology Center November 13, 2013 MAP 3 NIKON CORPORATION Core Technology Center November 13, 2013 MAP 4 NIKON CORPORATION Core Technology Center November 13, 2013 MAP 5 NIKON CORPORATION Core Technology Center November 13, 2013 MAP AIC BIC WAIC WBIC 6 NIKON CORPORATION Core Technology
次のページ
このページを最初にブックマークしてみませんか？
『情報論的学習理論と機械学習 (IBISML) 研究会 | Information-Based Induction Scie...』の新着エントリーを見る
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
