メルカリ、機械学習の実運用に関する国際会議「OpML’20」に論文が採択
〜機械学習による違反商品検知〜 株式会社メルカリ（以下、メルカリ）は、当社のAIエンジニアによる論文「Auto Content Moderation in C2C e-Commerce」（邦題：CtoCマーケットプレイスにおける機械学習による違反商品検知）が、2020年7月から8月にかけて開催される国際会議「2020 USENIX Conference on Operational Machine Learning (OpML’20)」にて採択されたことをお知らせいたします。 OpMLを主催するUSENIX協会は、約45年の歴史と権威がある団体で、いくつかの研究会から構成されています。OpMLは2019年より開催されている研究会で、機械学習を実世界で運用する際の課題と解決策がテーマになっています。近年、機械学習が研究領域分野だけでなく、さまざまな商用サービスで実運用されているなかで注目分野
RecSys 2019 ベストペーパーを読んだメモ - Qiita
紹介論文 Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches (RecSys 2019) 日本語では「本当にそんなに進捗出てるの？ -或いは最近のNN推薦手法に対する警鐘-」という感じだろうか。 元論文はこちら https://arxiv.org/pdf/1907.06902.pdf 概要 DNNが登場してから推薦分野でもDeepXXな手法が増えている 新手法の登場頻度が高いため、代表的なタスクであるtopN推薦に対してすらSOTAが何か追えなくなっている そこでトップ会議（KDD, SIGIR, WWW, RecSys）のDNN関連研究18本を追試した 18本のうち、現実的な努力を行った上で再現できたのが7本 （RecSysでの発表によると、）
【マルチモーダル学習】画像中の音の発生源を可視化するAI | Ledge.ai
2018年、韓国科学技術院から音の発生源を推測するAIが提案された。画像上の音の発生場所と考えられる物体をヒートマップとして可視化できるものだ。 説明だけではあまりピンとこないかもしれないので、次の動画を数秒ほどご覧頂きたい。 動画では、馬車に対して強いヒートマップが出ており、音の発生場所を上手く捉えられていることがわかる。 この研究の強みは、教師なし学習が用いられていることだ。アノテーションされていないただの動画データを学習するだけで、音声発生源を推測できることがわかる。 論文名：Learning to Localize Sound Source in Visual Scenes 学会：CVPR2018 作者：Arda Senocak, Tae-Hyun Oh, Junsik Kim, Ming-Hsuan Yang, In So Kweon 所属：KAIST, MIT CSAIL, U
Better language models and their implications
We’ve trained a large-scale unsupervised language model which generates coherent paragraphs of text, achieves state-of-the-art performance on many language modeling benchmarks, and performs rudimentary reading comprehension, machine translation, question answering, and summarization—all without task-specific training. Our model, called GPT-2 (a successor to GPT), was trained simply to predict the
『Customized Regression Model for Airbnb Dynamic Pricing』を読んでまとめた 【KDD2018】 - honawork
はじめに 2018年8月19日から23日にかけてロンドンで行われたKDD2018（データマイニングの世界的なカンファレンス）に採択されていた『Customized Regression Model for Airbnb Dynamic Pricing』なる論文を読みました。 Airbnbで実装されている価格推薦モデルについての論文で、 ビジネス・ユーザー視点を取り入れており、 「価格を下げれば予約されていた」と、「もっと価格を上げていてもよかった」というニーズ それをうまくモデル化していて、 上記を損失関数として定量化 さらにシンプルな構造で理解しやすい ①予約確率の予測→②最適価格の提案→③パーソナライズと、マクロ→ミクロに落ちていく構造 という点において優れたデータサイエンスの応用例であると感じたため、主要な論点を要約しつつ解説に取り組んでみようかと思います。 はじめに 論文の要旨 最
[1712.01208] The Case for Learned Index Structures
Indexes are models: a B-Tree-Index can be seen as a model to map a key to the position of a record within a sorted array, a Hash-Index as a model to map a key to a position of a record within an unsorted array, and a BitMap-Index as a model to indicate if a data record exists or not. In this exploratory research paper, we start from this premise and posit that all existing index structures can be
爆勝ちFXシストレ論文「Learning to Trade via Direct Reinforcement」を再現させたい - Qiita
爆勝ちFXシストレ論文「Learning to Trade via Direct Reinforcement」を再現させたい機械学習DeepLearning強化学習FXSystemTrade FXシストレ論文 「Learning to Trade via Direct Reinforcement」 http://dustwell.com/PastWork/MoodyRLTradingPresentation.pdf http://people.idsia.ch/~juergen/rnnaissance2003talks/MoodySaffellTNN01.pdf が、シミュレーション結果を見る限り爆勝ちしているので、この実装を再現させようとしているが、うまくいかない（同じような性能が得られない）。 要は価格の予測に応じてトレードするんじゃなくて、トレードしたら勝てるかどうか自体を直接予測す
機械学習論文読みメモ_1 - Qiita
FractalNet: Ultra-Deep Neural Networks without Residuals フラクタル構造に基づくNNモデルを提案。ResNetの構造を用いずとも、それに比する性能を出せる。 この構造は自然な形で従来のNN構造に取り入れられてきた、Deep Supervision、student-teacher learning、nested structureが現れてくる。 Reducing the Model Order of Deep Neural Networks Using Information Theory フィッシャー情報量に基づいてDLモデルを小さくする。 情報量自体は確率的最適化を行う際に２次の情報までを求める事で予測する。 この情報量に基づき、不要なパラメータを削除し、また高い情報量を持つパラメータに対してはより多くのビットをアサインする。 De
DeepWalk: Online Learning of Social Representations (KDD2014) 読んだ - 糞糞糞ネット弁慶
[1403.6652] DeepWalk: Online Learning of Social Representations 実装もある． DeepWalk - Online Learning of Social Representations - Bryan Perozzi's old website 概要 グラフ構造のデータから latent representation を学習する．skip-gramなどでは入力が文章集合になっているが，提案手法では random walk でそれを実現する． contributionは3つ． グラフデータを分析する手法として deep learning を適用した． マルチラベル分類タスクに提案手法を適用し精度を上げた． 並列実行可能なのでスケーラビリティもすごい． タスク グラフについて次元の特徴ベクトル集合とラベル集合が与えられた上でとの関係
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
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
OpML '20
The Case for Learned Index Structures · Issue #557 · arXivTimes/arXivTimes