Deep-Learning-Papers-Reading-Roadmap/README.md at master · floodsung/Deep-Learning-Papers-Reading-RoadmapYou signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
Deep Learning bookを読んで学んだこと - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Deep Learning bookとは？ Deep Learning bookは2016年末にMIT Pressより発売予定の書籍（英語）で、深層学習御三家の一人Bengio先生や画像生成のGANで有名なGoodfellow先生らによって書かれており、現時点で深層学習の決定版と言える教科書です。太っ腹なことに本の内容はウェブサイトで公開されており無料で読むことができます。 Deep Learning; Ian Goodfellow, Yoshua Bengio and Aaron Courville, MIT Press, 2016.
Master's Thesis : Deep Learning for Visual Recognition
The goal of our research is to develop methods advancing automatic visual recognition. In order to predict the unique or multiple labels associated to an image, we study different kind of Deep Neural Networks architectures and methods for supervised features learning. We first draw up a state-of-the-art review of the Convolutional Neural Networks aiming to understand the history behind this family
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
DNC (Differentiable Neural Computers) の概要 + Chainer による実装 - Qiita
こんにちは．@yos1up と申します．好きな食べ物は，緑色のキノコです． 2016/10/12に DeepMind が Nature に投稿した論文，Hybrid computing using a neural network with dynamic external memory にて提案されているニューラルネットワークモデル DNC (Differentiable Neural Computers) を，大急ぎで Chainer で実装してみました． DNC について DNC は，先述の論文で提案された新しいニューラルネットワークで，その情報処理能力の高さが期待されています．論文中では，グラフ上の最短経路タスクやちょっとしたパズルのタスクなど，従来ニューラルネットワークでは学習不可能と思われていたタスクが DNC で学習できており，その情報処理能力の高さがうかがい知れます． DN
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
Deconvolution and Checkerboard Artifacts
When we look very closely at images generated by neural networks, we often see a strange checkerboard pattern of artifacts. It’s more obvious in some cases than others, but a large fraction of recent models exhibit this behavior. Mysteriously, the checkerboard pattern tends to be most prominent in images with strong colors. What’s going on? Do neural networks hate bright colors? The actual cause o
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
デンソーと東芝、次世代の画像認識システム向け人工知能共同開発に合意
デンソーおよび東芝は10月17日、画像認識システム向けの人工知能技術(Deep Neural Network-Intellectual Property(DNN-IP)」に関する共同開発について基本合意を発表した。 人間の脳神経回路をモデルとしたDNNは、人間と同等以上の高精度な認識処理が期待されている。とくに車の自動運転の際に通行人や障害物、道路表示や危険予測において今後必要性が高まる考えられており、あらかじめAIを学習させる必要があった従来のパターン認識や機械学習に比べ、自ら対象物の特徴を抽出して学習することにより認識や検知精度が大幅に向上する。 これまで両社ではそれぞれ独自にDNN-IP技術の開発を進めてきたが、新たに共同開発を行なうことで開発スピードが加速。DNN-IP専用のハードウェアの開発を進め、従来からの画像認識用ボードであるDSPやGPUよりも高精度かつ低消費電力の画像処理
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
ConText v3: Convolutional Neural Network and LSTM Code for Text Categorization
WARNING: This document describes an old version, v3. Here is the latest: CONTEXT v4. CONTEXT v3: Convolutional Neural Network and LSTM Code for Text Categorization Revision history May, 2016: Revised when v3.00 (corresponding to [3]) was released. In particular, Sections 4 and 5 were added for LSTM, and the description of memory usage in Section 7 was revised. September, 2015: Revised when v2.00 (
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
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 - yohokuno/deeplearning: Python implementation of Deep Learning book
GitHub - floodsung/Deep-Learning-Papers-Reading-Roadmap: Deep Learning papers reading roadmap for anyone who are eager to learn this amazing tech!
GitHub - zhaw/neural_style: neural style transfer with mxnet
