Soumettre la recherche
Mettre en ligne
ono b
•
Télécharger en tant que PPTX, PDF
•
0 j'aime
•
1,276 vues
H
harmonylab
Suivre
Technologie
Signaler
Partager
Signaler
Partager
1 sur 15
Télécharger maintenant
Recommandé
20151107
20151107
Akira Niiyama
【2015年度関西支部大会】照明装置の順点灯制御と照度‐距離モデルに基づく屋内位置推定手法をとその評価(守谷)
【2015年度関西支部大会】照明装置の順点灯制御と照度‐距離モデルに基づく屋内位置推定手法をとその評価(守谷)
kazuki-mo
サイバー・フィールド研究分科会 活動経過
サイバー・フィールド研究分科会 活動経過
hsgk
tanimura m
tanimura m
harmonylab
egawa m
egawa m
harmonylab
nagata b
nagata b
harmonylab
miyamori m
miyamori m
harmonylab
ogawa_b
ogawa_b
harmonylab
Recommandé
20151107
20151107
Akira Niiyama
【2015年度関西支部大会】照明装置の順点灯制御と照度‐距離モデルに基づく屋内位置推定手法をとその評価(守谷)
【2015年度関西支部大会】照明装置の順点灯制御と照度‐距離モデルに基づく屋内位置推定手法をとその評価(守谷)
kazuki-mo
サイバー・フィールド研究分科会 活動経過
サイバー・フィールド研究分科会 活動経過
hsgk
tanimura m
tanimura m
harmonylab
egawa m
egawa m
harmonylab
nagata b
nagata b
harmonylab
miyamori m
miyamori m
harmonylab
ogawa_b
ogawa_b
harmonylab
勉強会用スライド
勉強会用スライド
harmonylab
ma_b
ma_b
harmonylab
oke_b
oke_b
harmonylab
hosokawa m
hosokawa m
harmonylab
Ai勉強会20170127
Ai勉強会20170127
harmonylab
オープンデータで実現する作文測定分析のシステム構成
オープンデータで実現する作文測定分析のシステム構成
yamahige
segawa m
segawa m
harmonylab
asai m
asai m
harmonylab
shioji m
shioji m
harmonylab
itadani m
itadani m
harmonylab
uefuji b
uefuji b
harmonylab
hosokawa b
hosokawa b
harmonylab
データ解析のための統計モデリング入門 1~2章
データ解析のための統計モデリング入門 1~2章
itoyan110
Kaggle bosch presentation material for Kaggle Tokyo Meetup #2
Kaggle bosch presentation material for Kaggle Tokyo Meetup #2
Keisuke Hosaka
Kaggle boschコンペ振り返り
Kaggle boschコンペ振り返り
Keisuke Hosaka
Watson活用事例~Watsonハッカソンの例を通じて~
Watson活用事例~Watsonハッカソンの例を通じて~
Hiroki Nakayama
ニューラルチューリングマシン入門
ニューラルチューリングマシン入門
naoto moriyama
スパースモデリング入門
スパースモデリング入門
Hideo Terada
大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016
Cloudera Japan
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
Toshihiko Yamakami
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Daiki Shimada
Contenu connexe
En vedette
勉強会用スライド
勉強会用スライド
harmonylab
ma_b
ma_b
harmonylab
oke_b
oke_b
harmonylab
hosokawa m
hosokawa m
harmonylab
Ai勉強会20170127
Ai勉強会20170127
harmonylab
オープンデータで実現する作文測定分析のシステム構成
オープンデータで実現する作文測定分析のシステム構成
yamahige
segawa m
segawa m
harmonylab
asai m
asai m
harmonylab
shioji m
shioji m
harmonylab
itadani m
itadani m
harmonylab
uefuji b
uefuji b
harmonylab
hosokawa b
hosokawa b
harmonylab
データ解析のための統計モデリング入門 1~2章
データ解析のための統計モデリング入門 1~2章
itoyan110
Kaggle bosch presentation material for Kaggle Tokyo Meetup #2
Kaggle bosch presentation material for Kaggle Tokyo Meetup #2
Keisuke Hosaka
Kaggle boschコンペ振り返り
Kaggle boschコンペ振り返り
Keisuke Hosaka
Watson活用事例~Watsonハッカソンの例を通じて~
Watson活用事例~Watsonハッカソンの例を通じて~
Hiroki Nakayama
ニューラルチューリングマシン入門
ニューラルチューリングマシン入門
naoto moriyama
スパースモデリング入門
スパースモデリング入門
Hideo Terada
大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016
Cloudera Japan
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
Toshihiko Yamakami
En vedette
(20)
勉強会用スライド
勉強会用スライド
ma_b
ma_b
oke_b
oke_b
hosokawa m
hosokawa m
Ai勉強会20170127
Ai勉強会20170127
オープンデータで実現する作文測定分析のシステム構成
オープンデータで実現する作文測定分析のシステム構成
segawa m
segawa m
asai m
asai m
shioji m
shioji m
itadani m
itadani m
uefuji b
uefuji b
hosokawa b
hosokawa b
データ解析のための統計モデリング入門 1~2章
データ解析のための統計モデリング入門 1~2章
Kaggle bosch presentation material for Kaggle Tokyo Meetup #2
Kaggle bosch presentation material for Kaggle Tokyo Meetup #2
Kaggle boschコンペ振り返り
Kaggle boschコンペ振り返り
Watson活用事例~Watsonハッカソンの例を通じて~
Watson活用事例~Watsonハッカソンの例を通じて~
ニューラルチューリングマシン入門
ニューラルチューリングマシン入門
スパースモデリング入門
スパースモデリング入門
大規模データに対するデータサイエンスの進め方 #CWT2016
大規模データに対するデータサイエンスの進め方 #CWT2016
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
Similaire à ono b
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Daiki Shimada
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
Preferred Networks
20190131 lidar-camera fusion semantic segmentation survey
20190131 lidar-camera fusion semantic segmentation survey
Takuya Minagawa
令和元年度 実践セミナー - Deep Learning 概論 -
令和元年度 実践セミナー - Deep Learning 概論 -
Yutaka KATAYAMA
生活に溶け込む人工知能による病気発見:医工連携におけるLessons Learned
生活に溶け込む人工知能による病気発見:医工連携におけるLessons Learned
sugiuralab
FastDepth: Fast Monocular Depth Estimation on Embedded Systems
FastDepth: Fast Monocular Depth Estimation on Embedded Systems
harmonylab
「モダンな」可視化アプリケーション開発とはどのようなものか?
「モダンな」可視化アプリケーション開発とはどのようなものか?
Keiichiro Ono
[2019-09-02] AI・IoT活用情報とGoogle Colab植物画像注釈
[2019-09-02] AI・IoT活用情報とGoogle Colab植物画像注釈
Eli Kaminuma
Personalized Fashion Recommendation from Personal Social Media Data An Item t...
Personalized Fashion Recommendation from Personal Social Media Data An Item t...
harmonylab
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
Nobukazu Yoshioka
多様なユースケースに対応可能なユーザ参加型モバイルセンシング基盤の実装と評価(DICOMO 2016)
多様なユースケースに対応可能なユーザ参加型モバイルセンシング基盤の実装と評価(DICOMO 2016)
Ubi NAIST
Towards Faster and Stabilized GAN Training for High-fidelity Few-shot Image S...
Towards Faster and Stabilized GAN Training for High-fidelity Few-shot Image S...
harmonylab
20140419 kawajiri m1gp
20140419 kawajiri m1gp
Ryoma Kawajiri
クラウド型次世代なんとか
クラウド型次世代なんとか
Showhey Kubo
DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...
DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...
harmonylab
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
MitsunoriMatsushita_HCI193
MitsunoriMatsushita_HCI193
Matsushita Laboratory
20150414seminar
20150414seminar
nlab_utokyo
Hasc勉強会報告
Hasc勉強会報告
萌 松木
Similaire à ono b
(20)
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
20190131 lidar-camera fusion semantic segmentation survey
20190131 lidar-camera fusion semantic segmentation survey
令和元年度 実践セミナー - Deep Learning 概論 -
令和元年度 実践セミナー - Deep Learning 概論 -
生活に溶け込む人工知能による病気発見:医工連携におけるLessons Learned
生活に溶け込む人工知能による病気発見:医工連携におけるLessons Learned
FastDepth: Fast Monocular Depth Estimation on Embedded Systems
FastDepth: Fast Monocular Depth Estimation on Embedded Systems
「モダンな」可視化アプリケーション開発とはどのようなものか?
「モダンな」可視化アプリケーション開発とはどのようなものか?
[2019-09-02] AI・IoT活用情報とGoogle Colab植物画像注釈
[2019-09-02] AI・IoT活用情報とGoogle Colab植物画像注釈
Personalized Fashion Recommendation from Personal Social Media Data An Item t...
Personalized Fashion Recommendation from Personal Social Media Data An Item t...
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
機械学習工学と機械学習応用システムの開発@SmartSEセミナー(2021/3/30)
多様なユースケースに対応可能なユーザ参加型モバイルセンシング基盤の実装と評価(DICOMO 2016)
多様なユースケースに対応可能なユーザ参加型モバイルセンシング基盤の実装と評価(DICOMO 2016)
Towards Faster and Stabilized GAN Training for High-fidelity Few-shot Image S...
Towards Faster and Stabilized GAN Training for High-fidelity Few-shot Image S...
20140419 kawajiri m1gp
20140419 kawajiri m1gp
クラウド型次世代なんとか
クラウド型次世代なんとか
DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...
DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
MitsunoriMatsushita_HCI193
MitsunoriMatsushita_HCI193
20150414seminar
20150414seminar
Hasc勉強会報告
Hasc勉強会報告
Plus de harmonylab
【修士論文】代替出勤者の選定業務における依頼順決定方法に関する研究 千坂知也
【修士論文】代替出勤者の選定業務における依頼順決定方法に関する研究 千坂知也
harmonylab
【修士論文】経路探索のための媒介中心性に基づく道路ネットワーク階層化手法に関する研究
【修士論文】経路探索のための媒介中心性に基づく道路ネットワーク階層化手法に関する研究
harmonylab
A Study on Decision Support System for Snow Removal Dispatch using Road Surfa...
A Study on Decision Support System for Snow Removal Dispatch using Road Surfa...
harmonylab
【卒業論文】印象タグを用いた衣服画像生成システムに関する研究
【卒業論文】印象タグを用いた衣服画像生成システムに関する研究
harmonylab
【卒業論文】大規模言語モデルを用いたマニュアル文章修正手法に関する研究
【卒業論文】大規模言語モデルを用いたマニュアル文章修正手法に関する研究
harmonylab
DLゼミ:Primitive Generation and Semantic-related Alignment for Universal Zero-S...
DLゼミ:Primitive Generation and Semantic-related Alignment for Universal Zero-S...
harmonylab
DLゼミ: MobileOne: An Improved One millisecond Mobile Backbone
DLゼミ: MobileOne: An Improved One millisecond Mobile Backbone
harmonylab
DLゼミ: Llama 2: Open Foundation and Fine-Tuned Chat Models
DLゼミ: Llama 2: Open Foundation and Fine-Tuned Chat Models
harmonylab
DLゼミ: ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
DLゼミ: ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
harmonylab
Voyager: An Open-Ended Embodied Agent with Large Language Models
Voyager: An Open-Ended Embodied Agent with Large Language Models
harmonylab
DLゼミ: Ego-Body Pose Estimation via Ego-Head Pose Estimation
DLゼミ: Ego-Body Pose Estimation via Ego-Head Pose Estimation
harmonylab
ReAct: Synergizing Reasoning and Acting in Language Models
ReAct: Synergizing Reasoning and Acting in Language Models
harmonylab
形態素解析を用いた帝国議会議事速記録の変遷に関する研究
形態素解析を用いた帝国議会議事速記録の変遷に関する研究
harmonylab
【卒業論文】深層生成モデルを用いたユーザ意図に基づく衣服画像の生成に関する研究
【卒業論文】深層生成モデルを用いたユーザ意図に基づく衣服画像の生成に関する研究
harmonylab
灯油タンク内の液面高計測を用いた灯油残量推定システムに関する研究
灯油タンク内の液面高計測を用いた灯油残量推定システムに関する研究
harmonylab
深層自己回帰モデルを用いた俳句の生成と評価に関する研究
深層自己回帰モデルを用いた俳句の生成と評価に関する研究
harmonylab
競輪におけるレーティングシステムを用いた予想記事生成に関する研究
競輪におけるレーティングシステムを用いた予想記事生成に関する研究
harmonylab
【卒業論文】B2Bオークションにおけるユーザ別 入札行動予測に関する研究
【卒業論文】B2Bオークションにおけるユーザ別 入札行動予測に関する研究
harmonylab
A Study on Estimation of Household Kerosene Consumption for Optimization of D...
A Study on Estimation of Household Kerosene Consumption for Optimization of D...
harmonylab
マルチエージェント深層強化学習による自動運転車両の追越行動の獲得に関する研究
マルチエージェント深層強化学習による自動運転車両の追越行動の獲得に関する研究
harmonylab
Plus de harmonylab
(20)
【修士論文】代替出勤者の選定業務における依頼順決定方法に関する研究 千坂知也
【修士論文】代替出勤者の選定業務における依頼順決定方法に関する研究 千坂知也
【修士論文】経路探索のための媒介中心性に基づく道路ネットワーク階層化手法に関する研究
【修士論文】経路探索のための媒介中心性に基づく道路ネットワーク階層化手法に関する研究
A Study on Decision Support System for Snow Removal Dispatch using Road Surfa...
A Study on Decision Support System for Snow Removal Dispatch using Road Surfa...
【卒業論文】印象タグを用いた衣服画像生成システムに関する研究
【卒業論文】印象タグを用いた衣服画像生成システムに関する研究
【卒業論文】大規模言語モデルを用いたマニュアル文章修正手法に関する研究
【卒業論文】大規模言語モデルを用いたマニュアル文章修正手法に関する研究
DLゼミ:Primitive Generation and Semantic-related Alignment for Universal Zero-S...
DLゼミ:Primitive Generation and Semantic-related Alignment for Universal Zero-S...
DLゼミ: MobileOne: An Improved One millisecond Mobile Backbone
DLゼミ: MobileOne: An Improved One millisecond Mobile Backbone
DLゼミ: Llama 2: Open Foundation and Fine-Tuned Chat Models
DLゼミ: Llama 2: Open Foundation and Fine-Tuned Chat Models
DLゼミ: ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
DLゼミ: ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
Voyager: An Open-Ended Embodied Agent with Large Language Models
Voyager: An Open-Ended Embodied Agent with Large Language Models
DLゼミ: Ego-Body Pose Estimation via Ego-Head Pose Estimation
DLゼミ: Ego-Body Pose Estimation via Ego-Head Pose Estimation
ReAct: Synergizing Reasoning and Acting in Language Models
ReAct: Synergizing Reasoning and Acting in Language Models
形態素解析を用いた帝国議会議事速記録の変遷に関する研究
形態素解析を用いた帝国議会議事速記録の変遷に関する研究
【卒業論文】深層生成モデルを用いたユーザ意図に基づく衣服画像の生成に関する研究
【卒業論文】深層生成モデルを用いたユーザ意図に基づく衣服画像の生成に関する研究
灯油タンク内の液面高計測を用いた灯油残量推定システムに関する研究
灯油タンク内の液面高計測を用いた灯油残量推定システムに関する研究
深層自己回帰モデルを用いた俳句の生成と評価に関する研究
深層自己回帰モデルを用いた俳句の生成と評価に関する研究
競輪におけるレーティングシステムを用いた予想記事生成に関する研究
競輪におけるレーティングシステムを用いた予想記事生成に関する研究
【卒業論文】B2Bオークションにおけるユーザ別 入札行動予測に関する研究
【卒業論文】B2Bオークションにおけるユーザ別 入札行動予測に関する研究
A Study on Estimation of Household Kerosene Consumption for Optimization of D...
A Study on Estimation of Household Kerosene Consumption for Optimization of D...
マルチエージェント深層強化学習による自動運転車両の追越行動の獲得に関する研究
マルチエージェント深層強化学習による自動運転車両の追越行動の獲得に関する研究
Dernier
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
danielhu54
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Ryo Sasaki
Dernier
(10)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
ono b
1.
ニューラルネットワークを用いた スマートフォンの使用アプリケーション 予測に関する基礎研究 北海道大学 工学部 情報エレクトロニクス学科 情報工学コース 複雑系工学講座
調和系工学研究室 学部4年 小野貴史 A study on Use Prediction of Smart Phone Application Based on Neural Networks 卒業論文発表
2.
研究背景 • アプリを使う場合,利用者はスマートフォンにインストー ルされたアプリの中から目的のものを選ぶ必要がある – 画面上の制限から,全てのアプリを一覧で表示することは難しい –
探すのに手間がかかる • 多くの人がホーム画面やランチャー上で,様々な工夫をし てアプリを便利に利用している Androidで提供されているランチャーの例 四隅をタップするこ とで,扇型に展開さ れたランチャーを表 示することができる. ・スライドランチャー 画面端から指をスワ イプさせることで, ランチャーを表示さ せる • 扇ランチャー
3.
ランチャーの利点・欠点 • 利点 – ワンタップでアプリを起動できる –
自分好みの配置に変更できる – アプリ使用中に呼び出せるランチャーも存在 • 欠点 – 便利な配置を自ら考えることの大変さ – 登録してないアプリはランチャーから起動できない 自ら学習してアプリを推薦する知的なランチャーを作成したい • Google Now:インテリジェントパーソナルアシスタント – 端末内のカレンダー情報,スケジュール,位置情報などの複数の情報を連 結させ.ユーザーがどのような情報を必要とするかを予測した上で提示す る – 例)外出する前に,交通情報や迂回ルートを知らせてくれる
4.
研究の目標と出発点 目標 • 使用アプリを予測し,使いたい時にはすでに立ち上がっている 出発点 • 使用アプリを予測し,自動でアイコンの配置を入れ替えてくれるラ ンチャー –
使いたいアプリがすぐに発見できる – 自分で配置を考える必要がない • ランチャー作成に必要なこと – 事前に使用するアプリを予測する – 予測を基に最適なアプリの配置を決める アプリA スマホ 予測 A ランチャー B 使用 自動で入れ替わる
5.
使用アプリケーションの予測 仮説 • アプリの使用には,何らかの法則が存在している – 複数のアプリを使用する際に,使う順番が決まっている –
特定の状況において,使用頻度の高いアプリが存在する[1] • センサデータ,位置情報,アプリの使用履歴を用いて予測が可能ではないかと 考えられる 先行研究 • 位置情報を含む携帯の利用履歴に基づく予測[2] • センサ情報から特徴量を抽出し,特徴量と特徴量の関係をクラスタリングする ことで予測[3] 予測手法に必要なこと • 特徴抽出から学習までを自動的に行える • 入力データの次元が多く,データ間の複雑なパターンを学習するのに向いている • ランチャーにアプリを複数表示するため,予測を確率として得られる ニューラルネットワークを用いるのが最も適切だと考えた [1]大澤純, 岩田麻佑, 原隆浩, & 西尾章治郎. (2012). スマートフォンユーザのコンテキストと利用アプリケーションの関連性調査. [2]松本光弘, 清原良三, 沼尾正行, & 栗原聡. (2010). 位置情報を含む携帯端末利用履歴からのコンテキストに基づく最適アプリケーション推定 法の提案. 情報処理学会数理モデル化と問題解決研究会 (MPS) 研究報告, 2010, 1-8. [3]嶋谷健太郎, 間下以大, 原隆浩, 清川清, 竹村治雄, & 西尾章治郎. (2013). スマートフォン利用者のコンテキストログを用いたアプリケーショ ン推薦システム (行動認識, 状況推定 (1), モバイルアドホックネットワーク, モバイル時代を支える次世代無線技術, フィールドセンシング及び 一般). 電子情報通信学会技術研究報告. AN, アドホックネットワーク, 112(494), 101-108.
6.
実験データ収集 • 実験に用いるデータ収集のために,Android用アプリの開発を行った. アプリの仕様 • 端末のバックグラウンドで常に起動し続けるように設計 –
端末の再起動やメモリ解放アプリなどによってアプリが停止しないように対応 • 4秒間隔でデータの取得を行う – 取得時の日付・時刻,センサデータ,位置情報,使用中アプリ • 取得したデータは,データベース(SQLite)へ保存 • 使用プログラミング言語:Java データ収集 • 研究室の3名の学生の使っているスマホに開発したアプリをインストール • 特別な指示は与えず,普段と同じようにスマホを使ってもらいデータの収集に協力 してもらった. データ取得期間 取得回数 使用アプリ数 学生A 10/22 15:26:02 ~ 12/07 23:59:59 812,497 47 学生B 10/22 17:19:03 ~ 01/12 14:14:06 1,383,555 66 学生C 11/06 12:43:57 ~ 01/12 15:07:42 1,004,277 48
7.
使用アプリの特徴 各アプリの起動回数を集計し,全起動回数の中で占める割合の高い順に並べたグラフ(第20位まで) • 人によって使用するアプリのジャンル や頻度に違いが出る • ブラウザ,Twitterは共通でよく使われ ている •
どの学生も,上位5個の使用率の合計が 半数を超えていることがわかる 0% 5% 10% 15% 20% 25% 30% 35% 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 使 用 率 順位 学生A 0% 5% 10% 15% 20% 25% 30% 35% 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 使 用 率 順位 学生B 0% 5% 10% 15% 20% 25% 30% 35% 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 使 用 率 順位 学生C 計64.44% 計65.17% 計77.55% ブラウザ Twitter メール ゲーム ゲーム Twitter LINE ブラウザ YouTube 2chまとめ 2chブラウザ ブラウザ Twitter YouTube ニコニコ動画
8.
使用アプリの特徴 A B C • 各学生の使用率1位のアプリの,時間帯および曜日ごとの起動回数の頻度分布 • 1番使われているアプ リであっても,時間帯 や曜日毎の起動回数に ばらつきがあることが わかる. •
特に赤丸をつけた部分 は周囲との違いが顕著 である. • この事から,時間や曜 日は使用アプリ予測に 重要な要素の1つと考 えられる. 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0 0.05 0.1 0.15 0.2 0.25 月 火 水 木 金 土 日 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0 0.05 0.1 0.15 0.2 0.25 月 火 水 木 金 土 日 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0 0.05 0.1 0.15 0.2 0.25 月 火 水 木 金 土 日
9.
ニューラルネットワークの作成 入力層 – ユニット数:入力データ(センサデータ,位置情報,アプリの使 用履歴)の次元数 出力層 – ユニット数:使用可能なアプリの数 –
ソフトマックス関数により出力を確率として得る 中間層 – 層数:2層,3層の2通り – ユニット数:30個,100個,300個の3通り 活性化関数 – tanh
10.
勾配降下法と学習係数の調整方法 • 勾配降下法での重み𝐰の更新式:𝐰(𝑡+1) =
𝐰(𝑡) − 𝜖𝛻𝐸 𝜖:学習係数 • 今回は学習係数を自動で調整する方法を用いた. AdaGrad 出典:Duchi, J., Hazan, E., & Singer, Y. (2011). Adaptive subgradient methods for online learning and stochastic optimization. The Journal of Machine Learning Research, 12, 2121-2159. Adam 出典:Kingma, D., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. − 𝜖 𝑡′=1 𝑡 𝑔𝑡′,𝑖 2 𝑔𝑡,𝑖 𝐯(𝑡+1) = 𝛽𝐯(𝑡) + 1 − 𝛽 𝐠 𝑡 (𝐯 0 = 𝑂) 𝐫(𝑡+1) = 𝛾𝐫(𝑡) + 1 − 𝛾 𝐠 𝑡 2 (𝐫(0) = 𝑂) 𝐰(𝑡+1) = 𝐰(𝑡) − 𝛼 𝐫(𝑡) 1 − 𝛾 𝑡 + 𝜖 𝐯 𝑡 1 − 𝛽 誤差関数の勾配を 𝐠 𝑡 ≡ 𝛻𝐸𝑡,このベクトルの成分を 𝑔𝑡,𝑖と書 くと,普通の勾配降下法では更新量のi成分は−𝜖𝑔𝑡,𝑖だが, AdaGradはこれを左式のようにする. 基礎的な学習係数の調整方法でもあり,今回の実験で用いる ことにした. 4つのハイパーパラメータ 𝛼, 𝛽, 𝛾, 𝜖を用いて 左式のようにパラメータの更新を行う. ハイパーパラメータは 𝛼 = 0.001, 𝛽 = 0.9, 𝛾 = 0.999, 𝜖 = 10−8 の値を用いる. AdaGradよりも学習の収束が早くなる効果が期待でき, 予備実験から,他の手法と比べて良い結果を得られた ので採用した.
11.
実験 目標 • ニューラルネットワークを用いたランチャーが,既存のランチャー よりも良い性能を得る 比較対象:起動回数の多い順にアプリを表示するランチャー – アプリ使用履歴にのみ基づいており,単純だがある程度の性能が期待できる 実験方法 •
収集したデータの前半7割を学習用データ,残りをテストデータと する • 学習したニューラルネットワークによって,テストデータの入力か ら予測を行う • 予測を基にランチャーにアプリを表示したと仮定,実際にその中に 起動したアプリが含まれている割合を調べる • 中間層の層数・ユニット数,学習係数の調整方法を変えて実験を行 う
12.
入力データ • 入力データの種類 収集したデータの中から予測に必要だと思われるものだけを選択し,学習 に用いた 種類 数
備考 曜日 1 月~日→1~7に変更 時刻 1 24時間を[0,1]のスケールに変更 加速度 3(x,y,z軸) 単位:𝑚𝑠2 磁気 3(x,y,z軸) 単位:𝜇𝑇 近接 1 単位:𝑐𝑚 照度 1 単位:𝑙𝑢𝑥 位置情報 2(緯度・経度) 単位:𝑑𝑒𝑔 アプリ使用履歴 10分以内に使用したアプリ • 取得したが,入力に用いなかったデータ 傾き,回転ベクトル,気圧
13.
結果 • ランチャーに表示するアプリの数がそれぞれ1個・3個・5個とした時の,パラメータ の違いによる,使用アプリが含まれている割合(学生A,B,Cの3人分の平均値) 表示数:5個 表示数:1個 表示数:3個 •
アプリを表示する数が1個の時は,僅かだ が起動頻度順の方が上回る • だが,表示数を3個,5個とした時は, ニューラルネットワークを用いた方法が 上回っている 層数 ユニット AdaGrad Adam 起動頻度順 30 25.60% 22.61% 100 22.93% 18.75% 300 18.37% 17.17% 30 25.17% 22.96% 100 21.03% 19.47% 300 21.23% 17.79% 2 3 25.71% 層数 ユニット AdaGrad Adam 起動頻度順 30 59.51% 61.56% 100 62.29% 64.21% 300 62.90% 66.03% 30 63.96% 65.25% 100 63.23% 61.45% 300 61.63% 63.93% 2 65.71% 3 層数 ユニット AdaGrad Adam 起動頻度順 30 47.55% 45.07% 100 45.18% 46.56% 300 44.36% 47.81% 30 39.41% 45.66% 100 44.68% 46.01% 300 43.17% 45.83% 2 45.52% 3
14.
結果 • 中間層の数:2層,中間層のユニット数:300個,学習係数の調整法:Adam • 学生Aは表示アプリの数が2~6の場合にニュー ラルネットワークを用いたランチャーの性能が 上回る •
学生B,Cはニューラルネットワークを用いたラ ンチャーが良い結果を得られなかった. 考察 • 入力に用いたデータの種類の中に,まだ不要な 情報が含まれているのではないか • センサデータを正規化せずに,そのまま学習に 用いている事が良くないのではないか
15.
まとめ • 一部のデータにおいて,ニューラルネットワークを用い た予測に有効性が確認された • 全てのデータに対して良い結果が得られなかったのは, ニューラルネットワークへの入力データに原因があるの ではないかと考えた 今後の展望 •
入力データおよび学習方法の見直し • 今回用いなかった予測方法との比較
Télécharger maintenant