サクサク読めて、アプリ限定の機能も多数!
トップへ戻る
災害への備え
www.ibis.t.u-tokyo.ac.jp
スパース正則化学習の理論とアルゴリズム 冨岡 亮太 東京大学 大学院情報理工学系研究科 数理情報学専攻 概要. このサーベイ論文では近年,信号処理,情報理論,機械学習の分野をまたいで 注目されているスパース性を導く様々な正則化の方法を加法的なスパース正則化と構造的 なスパース正則化の観点から分類し,それぞれに対する具体的な最適化アルゴリズムを与 える. 具体的には加法的なスパース正則化に対しては(加速付き)近接勾配法および著 者が提案する双対拡張ラグランジュ法を紹介する.双対拡張ラグランジュ法は加法的なス パース性から生じる条件数の悪化に対して有効であることを議論する.一方,構造的なス パース正則化に対しては交互方向乗数法を紹介する.交互方向乗数法は線形演算で表現さ れる構造とスパース正則化項を分離することが可能で,構造的なスパース正則化に対して 非常に有効な手法である. Theory
Information-Theoretic Machine Learning and Data Mining Group Department of Mathematical Informatics The University of Tokyo セミナー情報 開催予定のセミナー ■2010年8月31日(火)11:00-12:30 題目Predicting drug-target interaction networks from the integration of chemical, genomic and pharmacological spaces 場所工学部14号館534号室 [地図] 講師山西 芳裕(パリ国立高等鉱業学校;Mines ParisTech 研究員) 言語日本語 概要In silico prediction of drug-target interaction
What is DAL? DAL is an efficient and flexibible toolbox for solving the following optimization problem. where A (m x n) is a design matrix, f is a loss function, and c is a measure of sparsity. DAL can handle your favorite (convex, smooth) loss functions. DAL can handle several "sparsity" measures in an unified way. Currently L1 and grouped L1 measures are supported. DAL is efficient when m≪n (m:
山西 健司 (Kenji Yamanishi) HomePage Last Updated: July 2009 English version ■所属 東京大学 大学院情報理工学系研究科 数理情報学専攻 教授 住所: 113-8656 東京都文京区本郷7-3-1 TEL: 03-8541-6895 FAX: 03-5841-8599 e-mail: yamanishi att mist.i.u-tokyo.ac.jp ■職歴 Jan. 2009-- 現職 Sept.1995--Dec. 2008 NEC中央研究所 C&Cシステム研究所→NEC情報通信メディア研究本部→NECインターネットシステム研究所を経て 2002年より NEC中央研究所 主席研究員、兼 データマイニング技術センター長 Aug.1992--Aug.1995.
研究内容 (山西健司) ●確率的知識の学習理論の研究(1990年-1994年) 統計的学習の3つのモデル ◆確率的PAC学習モデル (Stochastic PAC(probably approximately correct)Model) ---確率規則の近似学習のモデル ◆確率的逐次学習モデル (Loss Bound Model) ----確率予測のモデル ◆確率的識別モデル (PAD(Probably Almost Discriminative) Model) ----識別学習のモデル を構築してきました。それぞれのモデルは、学習の問題を推定・予測・検定といった統計的問題に還元しながら、学習に必要なコンプレキシティをも考慮した新しい学習評価のための形式的理論です。またそれらのモデルの中で、有効な推定・予測・検定のため
このページを最初にブックマークしてみませんか?
『http://www.ibis.t.u-tokyo.ac.jp/』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