スマートニュースの高橋力矢です。去る3月5日(日)に、電気通信大学で開催されたゲーム理論ワークショップに出席しました。そこで機械学習とゲーム理論とのつながりについて経済学者や生物学者の方々と話してきましたので、当日議論したことをここでも紹介したいと思います。当日のプログラムはこちらで見られます。今回の講演に当たっては電気通信大学の岩崎敦先生に大変にお世話になりました。この場を借りまして改めて御礼申し上げます。以下にプレゼンテーション資料も添付しましたので、数式や参考文献等の技術的詳細に興味ある人はご覧ください。 要旨とスライド 複数のプレイヤーが利害を持つ環境における社会現象や最適戦略の分析にはゲーム理論が役立つ ゲーム理論的分析には利得表が必要であり、その具体的数値の取得にはデータ分析が有効である しかしデータ分析による利得表には誤差が伴い、誤差の水準によっては結論が変わりえる データ分
本稿ではニューラルネットワーク,誤差逆伝播法,言語モデル,RNN,LSTM,ニューラル機械翻訳の一連の手法について数理的に解説する. 前編の目次 ニューラルネットワーク 順伝播 (Forwardpropagation) 逆伝播 (Backpropagation) リカレントニューラルネットワーク (RNN) Recurrent Neural Network Language Model (RNNLM) Backpropagation Through Time (BPTT) Long Short-Term Memory (LSTM) Gated Recurrent Unit (GRU) RNN のドロップアウトとバッチ正規化 ニューラル機械翻訳 (NMT) Sequence to Sequence (seq2seq) 注意 (Attention) 双方向エンコーダー・多層LSTM 評価手法
This chapter presents recent papers for using FPGAs (Field Programmable Gate Arrays) for Deep Learning. FPGAs can roughly be seen as a Software-configurable Hardware, i.e you in some cases get close to dedicated hardware speed (although typically at lower clock frequency than chips, but typically with strong on-FPGA parallelism), this can be a potential good fit for e.g. Convolutional Neural Netwo
ソフトウェアエンジニアがFPGA(field-programmable gate array)を使うハードルがさらに下がってきている。クラウドサービスでFPGAを活用できたり、Pythonで記述したニューラルネットワークをFPGAに高位合成できる研究成果が出てきたりしているのだ。 ソフトウェア開発者の立場でFPGAに取り組むイベント「FPGAエクストリーム・コンピューティング」を主宰する佐藤一憲氏、FPGAの高位合成によるディープラーニングについて研究している東京工業大学の中原啓貴氏(中原研究室)、そしてFPGAベンダーであるザイリンクスの神保直弘氏が、急激に常識が変わりつつあるFPGAの動向を語り合った。 本稿では座談会の中から、ソフトウェアエンジニアにFPGAや高位合成が求められる現状、そして、今後どのようなツールを使うべきか、ソフトウェアエンジニアがFPGAに取り組む際の課題などにつ
確率ロボティクス (プレミアムブックス版)posted with カエレバSebastian Thrun,Wolfram Burgard,Dieter Fox マイナビ出版 2016-09-21 Amazonで探す楽天市場で探すYahooショッピングで探す 目次 目次 はじめに 『Probabilistic Robotics』(確率ロボティクス) Sebastian Thrun 他 『パターン認識と機械学習』C.M. ビショップ 『Principles of Robot Motion: Theory, Algorithms, and Implementations』Howie Choset 『マンガでわかる統計学シリーズ』高橋 信 『図解・ベイズ統計「超」入門』涌井 貞美 『プログラミングのための確率統計』平岡 和幸,堀 玄 『Introduction to Applied Linear
Pix2Pixとは 01/06/2017. この記事の生成物に関して、修正点があるのであとで修正します 自動生成系の深層学習の一つ 2つの画像の差を学習して、その差を補う形で画像などを出力する 図1. facadeとよばれるデータで学習した場合 図2. GANのモデルの様子。生成器と、判別機が対立して競い合う 先行研究 初心者がchainerで線画着色してみた。わりとできた。[1] ヒント情報として、色情報を書き足すことで、色を指定している Pic Source: qiita.com 図3. オレンジ色で色のヒントを与えている様子がわかる Icml2016[2] テキスト情報をSkip Thought Vectorでembeddingすることで、意図した画像を生成する Pic Source: github.com 図4. 左のテキスト情報から右の花の絵を生成している モチベーション 色指定
Vol. 14, No. 3 2007 218–225 “ ” ∗ Invitation of All People to Statistical Physics Sumio Watanabe Tokyo Institute of Technology∗ 1. ∗∗ ∗ 226-8503 4259 ∗∗ 2. 0 219 2.1 R n Rn Rn = {(x1, x2, ..., xn) ; |xi| < ∞ (∀i)} n x = (x1, x2, ..., xn) �x� = � x2 1 + x2 2 + · · · + x2 n n En En = {x ∈ Rn ; �x� < ∞} n Rn = En . 2.2 n ∞ R∞ = {(x1, x2, ..., xn, ...) ; |xi| < ∞(∀i)} x = (x1, x2, ..., xn, ...) �x� =
§1はじめに Deep Learningってどのくらい理論的に解明されているのか?ってやっぱり気になりますよね。 それに関して、次のQuoraのスレッドに非常に有益なコメントがあります。 When will we see a theoretical background and mathematical foundation for deep learning? - Quora How far along are we in the understanding of why deep learning works? - Quora 深層学習界の大御所であるYoshua Bengio、Yann LeCunの二人が 実際ディープラーニングの理論的理解ってどうなのよ?? って質問に直々にコメントしています。 LeCunのコメントの冒頭を少し引用しますと; That’s a very active
はじめに この記事はDeep Learning Advent Calendar 2016 3日目の記事です. とうとうAdventCalendar以外でブログを更新しなくなってしまいましたが,元気よく書いていきたいと思います. 今回はニューラルネットのブラックボックス性とその解析をしている論文の紹介です.Deep Learning Advent Calendarをやるぞ!と言っておきながら,この記事で取り上げるのは浅いニューラルネットです. ニューラルネットのブラックボックス性とその議論 ニューラルネットは自然言語処理や音声認識,ゲームAIなどの様々なタスクに応用されるようになり,いずれも大きな成果を挙げていることに間違いはありません. しかしその一方で,ニューラルネットは中間層を挟むため,学習で得られる内部状態は不明瞭となります.このことから,結果の考察がしにくいという理由で忌避されるこ
Welcome to 2016 edition of the Conference On Learning Theory: Columbia University New-York City, USA June 23-26, 2016 COLT is conveniently located close to ICML, which will take place in New-York immediately before with two days of overlap between the two conferences. Latest U. von Luxburg and O. Shamir elected to Steering Committee (6/25/2016) - Thank you to all who have voted to elect steering c
機械学習・データマイニング全般 変わりゆく機械学習と変わらない機械学習 [物理学会誌 2019]:機械学習・データマイニングについての専門家以外に向けた解説記事 機械学習・データマイニング分野の概要:分野全体の概要と国際会議動向まとめ資料 ML, DM, and AI Conference Map:人工知能,機械学習,およびデータマイニング関係の国際会議関連マップ データマイニング:4種類の主要分析タスクとデータマイニングによる知識発見プロセスについての学部前半レベルの説明資料 社会における機械学習 機械学習・データマイニングにおける公平性 [人工知能学会誌 2019]:アルゴリズム決定の公平性に関する議論 Fairness-Aware Machine Learning and Data Mining: Tutorial on data analysis considering pot
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
処理を実行中です
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