サクサク読めて、アプリ限定の機能も多数！
トップへ戻る
アメリカ大統領選
www.ieice.org
ソサイエティ・支部 ソサイエティについて 基礎・境界 通信 エレクトロニクス 情報・システム NOLTA ヒューマンコミュニケーショングループ 北海道支部 東北支部 東京支部 信越支部 東海支部 北陸支部 関西支部 中国支部 四国支部 九州支部 International Sections Bangkok Beijing Europe Indonesia Korea(Communication) Korea(Electronics) Korea(Information) Malaysia Shanghai Singapore Taipei Vietnam India 研究会 研究会 聴講する 発表する 購読する 開催する 研究専門委員会活動支援（WebEX） 横断型研究会紹介 FAQ 研究会発表申込システム幹事のページ（PW付） 大会 総合大会・ソサイエティ大会・FIT 今後の大会情報 過
www.ieice.org/~sita
ソサイエティ・支部 ソサイエティについて 基礎・境界 通信 エレクトロニクス 情報・システム NOLTA ヒューマンコミュニケーショングループ 北海道支部 東北支部 東京支部 信越支部 東海支部 北陸支部 関西支部 中国支部 四国支部 九州支部 Bangkok Beijing Europe Indonesia Korea(Communication) Korea(Electronics) Korea(Information) Malaysia Shanghai Singapore Taipei Vietnam 研究会 研究会 聴講する 発表する 購読する 開催する 研究専門委員会活動支援（WebEX） 横断型研究会紹介 FAQ 研究会発表申込システム幹事のページ（PW付） 大会 総合大会・ソサイエティ大会・FIT 過去の大会実施報告 ペイパービュー（PPV）の購入方法 今後の大会開催予定
www.ieice.org/~dpf
2 Shigeya Suzuki, Ph.D © Shigeya Suzuki 3 © Shigeya Suzuki 5 © Shigeya Suzuki 6 © Shigeya Suzuki 7 © Shigeya Suzuki 8 © Shigeya Suzuki 9 Platformer’s Service IdP Attribute 1 Attribute 2 Attribute N Internal ID Service Data 1 Data 2 Data N Internal ID Platformer’s Service Relying Party(RP)’s Service IdP External ID 1 Attribute 1 Attribute N Internal ID Data 1 Data 2 Data N IdP ext. ID 10 • • • • •
整数最適化アプローチへの入門 2019年3月22日（金） IEICE 総合大会 宮代 隆平 （東京農工大学） 2019/3/22 IEICE総合大会 整数最適化アプローチへの入門 宮代隆平（東京農工大学） なぜ整数最適化？ • なぜいま整数最適化か？ → もともと種々の最適化問題を よく表現できることに加え… とにかく速くなった 1991年2015年で4500億倍のスピードアップ 整数最適化のニーズが増えてきた ヒューリスティクスを超えた最適化がほしい • 本講演が（他分野の方にも） 整数最適化を知ってもらうきっかけとなれば 2 2019/3/22 IEICE総合大会 整数最適化アプローチへの入門 宮代隆平（東京農工大学） 前置き • 整数計画法 / 計画問題 or 整数最適化？ 整数計画法 (integer programming; IP) 整数計画問題 (intege
www.ieice.org/~prmu
www.ieice.org/~iss
方形導波管誘導性窓共振器型フィルタ回路のPSOを用いた回路設計 ・・・井手元慎平，平岡隆晴，豊嶋久道（神奈川大）
www.ieice.org/~netsci
www.ieice.org/~cs-edit
ohsaki@kwansei.ac.jp 2 NetSci/CCS WS 1/ 46 (1/2) 2 NetSci/CCS WS 2/ 46 (2/2) http://en.wikipedia.org/wiki/File:Internet_map_1024.jpg 2 NetSci/CCS WS 3/ 46 (1/2) ▶ ▶ 2 NetSci/CCS WS 4/ 46 (2/2) ▶ ▶ ▶ ▶ ( ) ▶ ▶ ▶ ▶ ▶ ▶ 2 NetSci/CCS WS 5/ 46 2 NetSci/CCS WS 6/ 46 ▶ ▶ ▶ ( ) ▶ ▶ ( ) ▶ ▶ ▶ ▶ ▶ ▶ ( : ) 2 NetSci/CCS WS 7/ 46 2 NetSci/CCS WS 8/ 46 ▶ ▶ ▶ ▶ ▶ ▶ ▶ ▶ ▶ ▶ ▶ ▶ ( ) 2 NetSci/CCS WS 9/ 46 ▶ ▶ : N ▶
www.ieice.org/~asn
知的環境とセンサネットワーク（Ambient Intelligence and Sensor Networks: ASN）研究会は，センサネットワークにより得られたデータを処理・解析して，人およびその集団からなる社会の活動を拡張・強化あるいは補完・補助する，知的環境の発展を目指しています．そのためには知的環境技術を高めることはもちろん、他の産業との複合領域の研究を推進することが重要です．そこでこの領域のさらなる活性化を目的とし，このたび知的環境とセンサネットワークに関するアプリケーションコンテストを実施します． Auto Sensor - Frank Derks
www.ieice.org/~nlc
日程 2017年 9月 7日 (木) 10：00〜18：10 （9:30受付開始） 2017年 9月 8日 (金) 10：00〜18：00 （9:30受付開始） 場所 成蹊大学 6号館401教室（キャンパスマップ） 〒180-8633 東京都武蔵野市吉祥寺北町3-3-1（交通アクセス） 共催・会場提供 成蹊大学理工学研究所（第5回理工学研究所フォーラム） 概要のみのページを用意しています．出張申請などにご利用ください． 予稿集・事前参加登録 本シンポジウムでは予稿集（資料）が電子化されています（紙媒体はありません）．PCなどPDFの閲覧ができるデバイスをお持ちください．予稿集の購入は，当日でも可能ですが，事前購入（オンライン決済）で割安になります．詳細については参加費についてのページをご覧ください．予稿集の当日購入を希望される方は「予稿集を当日購入される方へ」の項目もご覧ください．なお，発
www.ieice.org/~csbn
www.ieice.org/~ia
1 インターネット上の不正経路広告 に対する現状と課題 2013/9/6 インターネットマルチフィード（株） JPNIC IRR/RPKI動向調査専門家チームChair 吉田友哉 (yoshida@mfeed.ad.jp) 2 IRR/RPKI動向調査専門家チーム [メンバー] チェア 吉田友哉 インターネットマルチフィード株式会社 有賀征爾 NTTコミュニケーションズ株式会社 川村聖一 ＮＥＣビッグローブ株式会社 中野達也 KDDI株式会社 平井則輔 ソフトバンクBB株式会社 松崎吉伸 インターネットイニシアティブ株式会社 渡辺英一郎 Telecom-ISAC Japan インターネットマルチフィード株式会社 • インターネットにおける経路制御の現状 • IRRの動向 • RPKIの動向 • 今後の展望 2 2013/9/6 専門家チームメンバにて調査を実施 （2013年1月～6月） 詳
www.ieice.org/~reconf
付録D 常用漢字表・送り仮名について 平成 22 年 11 月 30 日の内閣告示に，常用漢字表が示された．これは，法令・公用文書・新聞・雑誌・放送など，一般社会 生活で用いる場合の，効率的で共通性の高い漢字を収め，分かりやすく通じやすい文章を書き表すための漢字使用の目安を示し ています． 本会としては，この目安を準用し，以下にその基本の概略を示します． （平成 22 年 12 月編集連絡会） Ⅰ 原則「内閣告示により許される範囲で，漢字を使用し， 送り仮名も省略する」という方針に基づき細部の具体例に おいては，極力例外を少なくすることとした． イ． 「常用漢字表」に，その漢字の音・訓が示されている ものは，後に定める以外は，努めて漢字を使用する． ロ．送り仮名については，従来の「改定送り仮名の付け 方」による． Ⅱ 具体例 （常用漢字表にその音訓があるものを漢字と仮 名とに使い分けるもの
自然言語処理における Deep Learning 東北大学大学院情報科学研究科 岡崎 直観（okazaki@ecei.tohoku.ac.jp） http://www.chokkan.org/ @chokkanorg 2017-03-22 Deep Learning 自然言語処理における 1 自然言語処理とは • 言葉を操る賢いコンピュータを作る • 応用: 情報検索，機械翻訳，質問応答，自動要 約，対話生成，評判分析，SNS分析，… • 基礎: 品詞タグ付け（形態素解析），チャンキ ング，固有表現抽出，構文解析，共参照解析， 意味役割付与，… • 多くのタスクは「入力𝑥𝑥から出力� 𝑦𝑦を予測」 � 𝑦𝑦 = argmax 𝑦𝑦∈𝑌𝑌 𝑃𝑃(𝑦𝑦|𝑥𝑥) ※確率ではないモデルもあります 2017-03-22 Deep Learning 自然言語処理における
電子情報通信学会総合大会 2017 企画セッション 「もっと知りたい！ Deep Learning ～基礎から活用まで～」 （パターン認識・メディア理解研究専門委員会） 概要 Deep Learningは自然言語処理や音声認識，画像認識等，パターン認識・理解分野を中心に，急速にその利活用が進み，益々注目を集めている．本セッションでは，多分野においてDeep Learningの応用をされている著名な研究者にご登壇頂き，Deep Learningとその多彩な応用事例を，実践の上で重要なノウハウや成功，失敗談などを交えて紹介して頂く予定である．また，応用先によっての適用方法の違いや共通点，今後のDeep Learningの発展可能性などについて議論する．以上により，Deep Learningのより深い理解を促し，Deepに研究に活用できるような情報を提供したい． Information 日時 2
2. 目標学習成果がどの程度まで身に付けられているかの アセスメント・評価法の必要性と設計 Necessity and Design of Assessment and Evaluation Tools for Documenting and Demonstrating the Degree to which the Student Outcomes are Acquired 篠田庄司 2009 年 6 月に京都で開催された国際エンジニアリング連盟の総会で承認された合意文書の内容に調和する形で，ワシ ントン協定加盟の認定団体のそれぞれの工学教育プログラムの認定基準が改正されたか，されつつある．その改正によっ て，それぞれの認定団体の属するエコノミー（国または地域）での工学教育プログラムとその認定システムが，エコノ ミーを超えて実質的に同等な範囲で，より比較可能で，より分かりやすくなりつつあ
1. 列挙の基本と基礎的なアルゴリズム Enumeration Fundamentals and Basic Algorithms 岡本吉央 列挙問題とは，与えられた条件を満たすものを漏れなく，重複なく出力する問題である．本稿では，列挙問題を解くた めのアルゴリズム設計技法として基礎的なものを紹介する．まず，列挙アルゴリズムの効率の良さの測り方を導入する． その後で，部分集合列挙問題を例題として，分割法，グレイコード，逆探索法という三つの設計技法を紹介する．最後 に，効率の良い列挙アルゴリズムを設計することが難しい列挙問題とその理由について言及する． キーワード：列挙アルゴリズム，遅延，分割法，グレイコード，逆探索法 �．列挙アルゴリズム 列挙問題（enumeration problem）とは，与えられた 条件を満たすものを漏れなく，重複なく出力する問題で あ る．出 力 順 に 条 件
第11回テキストアナリティクス・シンポジウムを2017年9月7日，8日の日程で成蹊大学＠吉祥寺で開催いたします． 一部のメーリングリストにおいて，第11回の参加募集URLとして，誤って本URLを案内されています．2017年9月開催の第11回に参加を希望される方は，第11回テキストアナリティクス・シンポジウムにアクセスをお願いいたします． このページへは http://www.ieice.org/~nlc/tm9p.htmlでアクセス可能です。 本シンポジウムは無事に終了しました。多数のご参加をありがとうございました。 ご参加いただいた方へ：アンケートへのご協力をお願いいたします https://goo.gl/forms/ZYXEHE0sxGLDWYqT2 発表者のご厚意により、2日目の国際会議参加報告セッションのスライドを公開しました (9/21)。 第９回テキストマイニング・シンポジウム
2015 9 11 ( ) IEICE @ 2015 9 11 1 / 29 1 2 3 GGH Regev 4 RSA ( ) IEICE @ 2015 9 11 2 / 29 Nguyen CaLC2001 “The Two Faces of Lattices in Cryptology” 1 2 ( ) IEICE @ 2015 9 11 3 / 29 Rm n b1, . . . , bn L(b1, . . . , bn) = { n ∑ i=1 xibi | xi ∈ Z } B B = [b1, . . . , bn] ∈ Rm×n L(B) = {Bx | x ∈ Zn } U B′ = BU B′ B ( ) IEICE @ 2015 9 11 4 / 29 vol(L) = √ det(BBt) B | det(B)| Gaussian Heuristic λ(L) λ
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？
『https://www.ieice.org/』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
