人やモノのつながりを表すグラフ構造のデータから新たな知見を導く新技術「Deep Tensor」を開発 : 富士通
English PRESS RELEASE （技術） 2016年10月20日 株式会社富士通研究所 人やモノのつながりを表すグラフ構造のデータから 新たな知見を導く新技術「Deep Tensor」を開発 従来の Deep Learning の限界を超えて知を獲得する機械学習技術、IoT・金融・創薬分野で効果を検証 株式会社富士通研究所（注1）（以下、富士通研究所）は、人やモノのつながりを表現できるグラフ構造のデータに対して高精度な解析を可能とする機械学習技術「Deep Tensor（ディープ テンソル）」を開発しました。 今回、画像や音声では極めて高い認識精度を達成している既存のDeep Learning技術をグラフ構造のデータにまで適用可能な新技術を開発しました。グラフ構造のデータは、構造が複雑であり、大きさや表現方法など多様なデータが混在していますが、最先端の数学を活用してテンソル（注
CEATEC2016に出展してきました 〜ロボット編〜 - Preferred Networks Research & Development
PFNは2016年10月4-6日に千葉幕張メッセで開催されたCEATEC2016で、スマートピッキングロボットおよびバラ積みロボットの展示を行ってきました。ロボットの他にもドローンやDIMoに関する展示も一緒に行いました。こちらに関しては関連記事をご参照ください。 以下では、もう少し詳細な解説をしたいと思います。 展示内容 我々PFNが今年の7月に参加したAmazon Picking Challenge 2016で用いたピッキングロボットに改良を加えたスマートピッキングロボットと、バラ積みロボットを用いたキャンディ配りロボットを展示しました。 スマートピッキングロボットは、UIで指定されたアイテムを棚からカゴへ取ったり、 逆にカゴから棚にアイテムを戻すことができます。また、全自動で連続運転する自動モード機能やドローンと連携してアイテムを運搬するといった機能も開発しました。 スマートピッキン
Semi-supervised Knowledge Transfer for Deep Learning from Private Training Data
Some machine learning applications involve training data that is sensitive, such as the medical histories of patients in a clinical trial. A model may inadvertently and implicitly store some of its training data; careful analysis of the model may therefore reveal sensitive information. To address this problem, we demonstrate a generally applicable approach to providing strong privacy guarantees fo
Sim-to-Real Robot Learning from Pixels with Progressive Nets
Applying end-to-end learning to solve complex, interactive, pixel-driven control tasks on a robot is an unsolved problem. Deep Reinforcement Learning algorithms are too slow to achieve performance on a real robot, but their potential has been demonstrated in simulated environments. We propose using progressive networks to bridge the reality gap and transfer learned policies from simulation to the
Sequence to Sequence Learning with Neural Networks
Deep Neural Networks (DNNs) are powerful models that have achieved excellent performance on difficult learning tasks. Although DNNs work well whenever large labeled training sets are available, they cannot be used to map sequences to sequences. In this paper, we present a general end-to-end approach to sequence learning that makes minimal assumptions on the sequence structure. Our method uses a mu
音楽配信の「KKBOX」、Deep Learning採用でアプリそのものを最適化
KKBOX Japanは10月18日、定額制音楽配信アプリ「KKBOX」を大幅にリニューアルしたと発表した。 KKBOXは、日本をはじめアジア6ヵ国で展開するアジア最大の定額制音楽配信サービス。マルチデバイス対応で、国内ではおよそ2000万曲以上の多彩なジャンルの楽曲を聴き放題で楽しめる。また4000曲を一時保存できるので、通信環境を気にすることなく楽曲再生が可能。最初の1ヵ月は無料で利用でき、その後自動更新プランは月980円、パッケージだと2940円／90日。 今回のリニューアルで、人間の思考回路に近いリコメンドを可能にする新リコメンド機能「Discover」を導入した。「Deep Learning（ディープ・ラーニング）」を採用し、ビッグデータをもとにユーザーのリスニングデータを多角的に分析。それぞれのユーザーに向けて最適なコンテンツを提案するだけでなく、アプリのレイアウトそのものも最
Learning Structured Sparsity in Deep Neural Networks
High demand for computation resources severely hinders deployment of large-scale Deep Neural Networks (DNN) in resource constrained devices. In this work, we propose a Structured Sparsity Learning (SSL) method to regularize the structures (i.e., filters, channels, filter shapes, and layer depth) of DNNs. SSL can: (1) learn a compact structure from a bigger DNN to reduce computation cost; (2) obtai
Recurrent Neural Network Grammars
We introduce recurrent neural network grammars, probabilistic models of sentences with explicit phrase structure. We explain efficient inference procedures that allow application to both parsing and language modeling. Experiments show that they provide better parsing in English than any single previously published supervised generative model and better language modeling than state-of-the-art seque
第112号 深い学習、深い思考、深い理解 ｜ 公益財団法人 痛風・尿酸財団
医学の地平線 第112号 深い学習、深い思考、深い理解 最近、deep learning（深層学習）という言葉がはやっていて、情報関係以外の科学者や、一般の人々も用いているようです。最強のプロ棋士に勝った人工知能、アルファ碁で有名になった機械学習のフレームワークがdeep learningなのです。このdeep learningの内容をdeepに知ることで我々の思考の深層と科学の一面を明らかにできるのではないかと思います。 もともとdeep learningは多層ニューラルネットワークと呼ばれる機械学習フレームワークの一つです。高等動物の神経システムの研究成果を最大限に取り入れた内容となっています。最初は入力層と出力層で構成されていたシステムに中間層（隠れ層とも言われる）を複数加えたシステムが一般的です。人間の思考も、5感から入力データを取り入れ、複雑な思考の後に何らかの判断を下し行動に移
Generative Adversarial Nets from a Density Ratio Estimation Perspective
Generative adversarial networks (GANs) are successful deep generative models. GANs are based on a two-player minimax game. However, the objective function derived in the original motivation is changed to obtain stronger gradients when learning the generator. We propose a novel algorithm that repeats the density ratio estimation and f-divergence minimization. Our algorithm offers a new perspective
NVIDIA 社提供の AMI で DeepLearning - Qiita
更新履歴 [2017/03/08] AWS 公式 Deep Learning AMI v2 リリース！ CUDA 8.0 になり、TensorFlow v1.0.0, MXNet v0.9.3 など Deep Learning に便利な AMI NVIDIA 提供 NVIDIA CUDA Toolkit 7.5 on Amazon Linux NVIDIA DIGITS 4 on Ubuntu 14.04 2016/09 末に公開された模様。 自分で CUDA をインストールしたことがある方ならわかると思いますが、NVIDIA の GPU ドライバから始まり、CUDA をインストールするのはなかなかの手間でした。（まあ、一度 AMI を作ればってのはありますが） この AMI を使えば、ものすごく簡単にサーバが使い始められます！ AWS 提供 Deep Learning AMI Amazo
Chainerとチャンピオンモデルでファッションアイテム判別器を作る - ZOZO TECH BLOG
こんにちは、データチームの後藤です。この記事では、一般物体認識で優秀な成績を収めた代表的なニューラルネットワークモデルを、ファッションアイテムの画像データに対して適用し、どのアーキテクチャが有用か、どれだけの精度を出せるのかを調べる実験を行います。 今回は、 AlexNet Network In Network GoogLeNet DenseNet の4つのアーキテクチャを試しました。 背景 iQONでは毎日500以上のECサイトをクロールし、一日平均1万点もの新着アイテムを追加しています。この過程で、新着アイテムがiQONのどのカテゴリに属するのかを決める必要がありますが、この作業を人手で行うと膨大なコストになってしまいます。この問題に対して我々は、アイテムの名前や説明文、画像データを活用してカテゴリを判別する仕組みを作りました。とくに画像データによる判別には、畳み込みニューラルネットワ
祝10周年！ ハッピーバースデイ Apache Hadoopミートアップ (2016/11/08 19:00〜)
祝10周年！ ハッピーバースデイ Apache Hadoopミートアップとは？ 今年Apache Hadoopとそのコミュニティは誕生から10年目を迎え、世界中で使われているビッグデータのプラットフォームであるHadoopの生みの親Doug Cutting が来日決定！Hadoopは2006年からのコアコントリビューター数は800名以上。様々なプロジェクトがこの10年の間に生まれています。この区切りの年に、これまでの10年、そしてこれからのHadoopのあり方を含めて語らうミートアップを開催します！ 本ミートアップ参加上のご注意 ◆ 本ミートアップのみ参加したい方 Connpassで参加受付ください。 ◆ 本ミートアップのみならず、Cloudera World Tokyoの基調講演やブレークアウトセッション、特別対談等に参加したい方 本ミートアップは同日11/8に行われる国内最大級のHad
DIY Deep Learning for Vision: a Hands-On Tutorial with Caffe
このブラウザ バージョンのサポートは終了しました。サポートされているブラウザにアップグレードしてください。
Images Don’t Lie: Transferring Deep Visual Semantic Features to Large-Scale Multimodal Learning to R
Home / Topics Images Don’t Lie: Transferring Deep Visual Semantic Features to Large-Scale Multimodal Learning to Rank Corey Lynch, ; Kamelia Aryafar*, Etsy Inc.; Josh Attenberg, Etsy Abstract Search is at the heart of modern e-commerce. As a result, the task of ranking search results automatically (learning to rank) is a multibillion dollar machine learning problem. Traditional models optimize ove
Deep Learning実習
AlexNet [A Krizhevsky, 2012] このページはDeep Learningモデルを使って画像認識をする方法を一通り学ぶ初心者向け実習教材として作られました。 ここではPython環境でCaffeフレームワークを利用して画像認識モデルを学習、評価する方法を学ぶことができます。 準備 0. Docker+Jupyter環境の構築 1. Pythonと数値計算 1a. Pythonと数値計算 練習問題解答 画像認識 2. Caffeを使った画像分類 3. 手書き文字認識モデルの学習 4. 学習済みのネットワークをマルハナバチ分類にファインチューニング その他 5. Caffeの動作環境に関して 参考 スライド資料 Caffe deep learning framework Stanford CS231n: Convolutional Neural Networks for
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
GitHub - floodsung/Deep-Learning-Papers-Reading-Roadmap: Deep Learning papers reading roadmap for anyone who are eager to learn this amazing tech!
Hybrid Recurrent Neural Network for Nonlinear Hybrid Dynamical Systems Identification
GitHub - oreilly-japan/deep-learning-from-scratch: 『ゼロから作る Deep Learning』(O'Reilly Japan, 2016)
http://engineering.skymind.io/distributed-deep-learning-part-1-an-introduction-to-distributed-training-of-neural-networks
