4. CRF に入る前に… ● マシンラーニング界での CRF の立ち居値は何処? ML界 Logistic Regression SVM 識別モデル Perceptron M^3N CRF Structured SVM PA Structured Perceptron MIRA HMM 識別関数 構造学習 ベイジアンの集う修羅の地 生成モデル 僕は立ち入れないので説明不可 NB ※ @echizen_tm さんのネタパクりました。
4. CRF に入る前に… ● マシンラーニング界での CRF の立ち居値は何処? ML界 Logistic Regression SVM 識別モデル Perceptron M^3N CRF Structured SVM PA Structured Perceptron MIRA HMM 識別関数 構造学習 ベイジアンの集う修羅の地 生成モデル 僕は立ち入れないので説明不可 NB ※ @echizen_tm さんのネタパクりました。
今日はちょっと時間がなかったので男女共同参画室のランチミーティングはそこそこに抜けさせてもらう。在宅勤務ができるかどうかの調査を頼まれたのだが、調査期間になっている7月18-31日のうち、半分以上休暇を取る予定なのだけど……。 まあ、自分に関しては、大学での仕事のうち、在宅勤務が不可能なのは勉強会出席くらい。うち、毎週出席する必要がある(自分以外に毎週出るスタッフがいない)勉強会は2つ、これとは別に研究室全体のミーティングがあり、それぞれ2-3時間程度なので、合算すると週9時間程度。現在全部別々の曜日にあるが、まとめると週2-3日勤務までは短縮できると思われる。個別のミーティングであれば、どうしても必要なら Skype を使えばいいし。(そもそも「在宅」と言われても歩いて5分のところに家があるので、在宅でやる意味はないのだけど) いや、なんとなれば勉強会も Skype で中継してもいいし…
名前だけ知りつつもどんな物なのか知らなかったので、5月に semi-markov crf の論文 を読んでみました。 semi-crf は入力系列に対する最適なセグメンテーションを学習する学習器です。 crf が P(Y|X, W) を求めていたのに対して、semi-crf では P(S|X, W) を推定します。 文章で書くと、2つの違いは * crf では入力系列 X に対して生成されうるすべてのラベル系列 Y' に対して、正解系列とそれ以外の系列を弁別するよう学習する * semi-crf では入力系列 X に対して生成されうるすべてのセグメンテーション結果 S' に対して、正解のセグメンテーションとそれ以外のセグメンテーションを弁別するよう学習する ということになります。 semi-crf では入力系列が与えられた際に、t_j , ... , u_j までを1つのセグメント s_j
FlexCRFs is a conditional random field toolkit for segmenting and labeling sequence data written in C/C++ using STL library. It was implemented based on the theoretic model presented in (Lafferty et al. 2001) and (Sha and Pereira 2003). The toolkit uses L-BFGS (Liu and Nocedal 1989) - an advanced convex optimization procedure - to train CRF models. FlexCRFs was designed to deal with hundreds of th
昨日はまた黒橋研と勉強会。今回はCRF+CNF。CRFは少し前NLPで流行ったのでみんな知っていると思うけど、Conditional Random Fields(条件付き確率場)のこと。CRFはHMMなどの生成モデルと比較して識別モデルと呼ばれ、HMMの問題である、独立ではない事象をパラメータに含むということができる。これは、入力をx,ラベルをyとするときに、P(y|x)を直接推定することでxからのyの予測を直接的に行う、ということに起因している。HMMなど普通の言語モデルではP(y,x)=P(y|x)P(x)を考えるため、P(x)の学習データを大きくしなければエルゴード性が保証されず、学習がうまくいかない。つまり、CRFはHMMよりも少ない学習で適切な識別が行えるようになるため、識別という点においてはHMMよりも優秀、ということだろうか。これは形態素解析のように、問題をある入力に対するラ
A Conditional Random Field for Multiple-Instance Learning Thomas Deselaers deselaers@vision.ee.ethz.ch Vittorio Ferrari ferrari@vision.ee.ethz.ch Computer Vision Laboratory, ETH Zurich, Zurich, Switzerland Abstract We present MI-CRF, a conditional random field (CRF) model for multiple instance learning (MIL). MI-CRF models bags as nodes in a CRF with instances as their states. It combines discrimi
私たち(木村・ジェプカ・高丸)は、ラジオ番組のパーソナリティとリスナーの関係を参考にした対話処理の新しい枠組みを提案しています。従来の対話システムでは、応答の品質向上に焦点を当てていて、継続して利用するしくみや入力の負荷についてはあまり考えられていない(はず…)。 研究代表者 小樽商科大学 木村泰知 従来研究との違い 関連業績 木村泰知, ジェプカラファウ, 高丸圭一, “Radiobots型対話システムの提案”, JSAI2015. … Radiobots型対話システムの実装例 Radiobots型対話システムの実装例(2015年12月) Radiobots型「Pepperで小樽商科大学を紹介する」対話システムの実装例(2016年06月)
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