機は熟した！グラフ構造に対するDeep Learning、Graph Convolutionのご紹介 - ABEJA Tech Blog
はじめまして。ABEJAでResearcherをやらせていただいている白川です。 先日、化合物の物性推定をDeep Learningをつかって従来手法より300,000倍高速に処理するという論文がでました（[1], [2]）。この論文の手法は、Graph Convolutionというグラフ上に定義されたConvolution演算がベースとなっています。物性推定に限らず、グラフ解析全般を Deep Learning で上手にこなせるようになれば、Deep Learningのアプリケーションの幅がぐっと拡がり、さらなるイノベーションが起きそうな予感がします。 ICMLやNIPSなどの機械学習系の主要国際会議でも数年前からGraph Convolutionについての論文がちらほら出現しはじめており、とくに最近その勢いが増してきている印象があります。個人的にも最近（前から？）にわかにグラフづいてい
複合機械学習による分散データ処理でさすがに良く出来てるTensorFlow
全脳アーキテクチャ・イニシアティブ副代表の高橋です。 巷で話題のTensorFlow(TF)のwhite paperとソース見ました。ソースも見ましたが、whitepaperがとてもよく書けてるのでこれだけで大体設計が理解できるようになってます。 で、結論からですが、これさすがというかすごくよく出来てます。 ただ、ロボットミドルウェアのROSなどよりかはデータ解析ソフトウエアに近く、これと比べるとBriCAはかなりROSに近いです。 何が違うかですが； TFは多次元配列（テンソル）に対する操作を定義するカーネル（正確に言うと抽象操作のoperationにパラメータを与えて具体的な計算手順にしたのがカーネル）を有向グラフで表して、グラフ全体でなんらかのデータ処理パイプラインを表現、実行します。 この場合のグラフはBriCAやROSでいうところのノードやモジュールを結合した認知アーキやロボット
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
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
