タグ検索の該当結果が少ないため、タイトル検索結果を表示しています。
はじめに こんにちは。 今回は、Deep Learningの手法の中でもAutoEncoder系の手法(Denoising AutoEncoderやVariational AutoEncoderなど)をTop-N推薦タスクに適用した研究をいくつかまとめてみようと思います。 Deep Learningの手法を推薦タスクに適用するといった研究は近年増えています。 従来の推薦タスク用いられる協調フィルタリング系の手法にDeep learningを組み合わせる研究については、次のような記事があります。 DeepなFactorization Machinesの最新動向 (2018) - Gunosy データ分析ブログ Collaborative Metric Learningの関連研究まとめ - Qiita IRGAN (SIGIR 2017)→GraphGAN (AAAI 2018)→CFGAN
概要 皆様，いかがお過ごしでしょうか． コロナウイルス感染症の拡大に伴い，自宅でお仕事や研究をされている方も多いのではないでしょうか． かくいう私も，ここ数か月はずっと自宅でPCとにらめっこの毎日です．さすがに疲れましたね笑 さて，今回は，生成モデルを活用した再構成タスクに着目してみたいと思います． 特に，「動画」の再構成にトライします． （当記事でご理解いただけるのは，動画の異常検知に拡張可能な，encoder-decoderベースの時系列モデルをかませた再構成手法の実験結果と考察であり，数式などの理論的背景までは追いません．） 巷でよく，「異常検知」分野などに応用されているのは，「画像」の再構成ですね． 画像をencoder-decoderモデルに入力して再構成し，入出力間の差分をとることで異常度を計算する手法です． 画像の再構成に活用できる生成モデルとして，VAEは特に有名ですし，最
変分オートエンコーダを用いた気象データ画像の生成 Generating Weather Data Images Using Variational Autoencoder - Qiita
変分オートエンコーダを用いた気象データ画像の生成 Generating Weather Data Images Using Variational AutoencoderDeepLearningKerasAutoencoder生成モデル気象データ 1. はじめに 画像生成の分野などで変分オートエンコーダ(Variational Autoencoder)が用いられる場合があります。 Variational Autoencoder(以下、VAE)については既に多くの解説がなされています。 理論的なところは下記を参考にさせて頂きました。 Variational Autoencoder徹底解説 この手法をいくつかの気象データに適用してみました。 2. 手法 2.1 ネットワーク 下記のサイトのソースをほぼ流用させて頂きました。 【Python】Keras で VAE 入門 ネットワークは入力画像か
【PyTorch】実装有：VAEを使った継続学習異常検知手法：Continual Learning for Anomaly Detection with Variational Autoencoder - Qiita
【PyTorch】実装有：VAEを使った継続学習異常検知手法：Continual Learning for Anomaly Detection with Variational AutoencoderPython機械学習DeepLearning深層学習PyTorch はじめに 継続学習（CL;Continual Learning）とは、動的に学習データが変化する環境下において、破壊的忘却することなくモデルの学習を可能とすることを目的とした機械学習の一分野となります． ※破壊的忘却とは、単一のネットワークを複数のタスクの学習に利用する場合、過去に学んだタスクに対する精度が、新しいタスクの学習時に悪化する事象のことを指します ICLRやICMLをはじめとしたAI関連のトップカンファレンスにおいても、CLに関する論文の投稿数は増加傾向にあり、注目されている分野といえます． 主にCLは識別モデルの
【AI】Deep Convolutional Autoencoderベースの教師なし異常箇所検知 - Qiita
はじめに 前回「【AI】Deep Metric Learning」でDeep Metric Learningを用いた異常検知について紹介しました。 こちらも教師なし学習の枠組みであり、学習時には正常データのみを用いて、正常データの特徴量空間を学習。そして、未知データに対して、正常データで学習した空間からの逸脱度を基準に異常検知を行いました。 入力した画像が「正常」か「異常」かを高精度で自動判定してくれるのは良いのですが、画像全体での異常検知なので、「異常はわかったけど、どこが異常なの？」と聞きたくなるのが正直な所です。「異常です」とブザーやサイレンを鳴らすだけでなく、「〇〇が異常です」と教えてくれるようにその異常箇所の検知(可視化)をやって行きたいと思います。 異常箇所検知には、Autoencoderベースのもの、GANを利用したもの、その組み合わせなど、様々な手法が提案されていますが、今
この記事は日経Robotics 有料購読者向けの過去記事ですが 『日経Robotics デジタル版（電子版）』のサービス開始を記念して、特別に誰でも閲覧できるようにしています。 深層学習（ディープラーニング）の大きな特徴は、データを問題が解きやすいような表現に変換する方法を学習によって獲得する、いわゆる表現学習ができる点である。データを適切に表現できさえすれば、その後、分類や回帰などの問題は簡単に解けるのに対し、うまく表現されていない場合はその後どれだけ頑張ってもうまく問題を解くことはできない。 また、良い表現方法を事前学習によってあらかじめ獲得しておけば後続タスクの精度を改善できるだけでなく、学習に必要なデータを劇的に減らせる。例えば、画像を入力とした強化学習においても、画像の表現学習を中心とした工夫を組み合わせることにより、必要な経験回数を1/500近くも減らすことができると報告されて
Yoshihiko Suhara on Twitter: "せっかく作ったので昨年秋に担当したデータサイエンスコースの大学院生向け講義の資料と演習用Google Colabを公開しました。ディープラーニングの基本であるAutoEncoder、CNN、GAN、RNN、Transformerな… https://t.co/lO2n3tClNl"
せっかく作ったので昨年秋に担当したデータサイエンスコースの大学院生向け講義の資料と演習用Google Colabを公開しました。ディープラーニングの基本であるAutoEncoder、CNN、GAN、RNN、Transformerな… https://t.co/lO2n3tClNl
今回はニューラルネットワークのフレームワークの Keras を使って AutoEncoder を書いてみる。 AutoEncoder は入力になるべく近い出力をするように学習したネットワークをいう。 AutoEncoder は特徴量の次元圧縮や異常検知など、幅広い用途に用いられている。 使った環境は次の通り。 $ sw_vers ProductName: Mac OS X ProductVersion: 10.14.6 BuildVersion: 18G95 $ python -V Python 3.7.4 下準備 まずは必要なパッケージをインストールしておく。 $ pip install keras tensorflow matplotlib 中間層が一層の AutoEncoder Keras の Sequential API を使って実装した最も単純な AutoEncoder のサンプ
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
AutoEncoder系の手法でTop-N推薦まとめ - Qiita
GRUとAutoencoderを用いた，動画の再構成手法の検証と実装 - Qiita
《日経Robotics》Masked Autoencoder：画像認識でも事前学習革命は起きるのか
Python: Keras で AutoEncoder を書いてみる - CUBE SUGAR CONTAINER
anond.hatelabo.jp
www.afpbb.com
www.authense.jp
www.sholl-fashion.com
www.itmedia.co.jp
minacolor.com