深層ニューラルネットワークによる知識の自動獲得・推論

深層ニューラルネットワーク
による知識の自動獲得・推論
東北大学大学院情報科学研究科
岡崎直観（okazaki@ecei.tohoku.ac.jp）
http://www.chokkan.org/
@chokkanorg
2016-06-30 深層ニューラルネットワークによる知識の自動獲得・推論 1

自然言語処理とは
• 言葉を操る賢いコンピュータを作る
• 応用: 情報検索，機械翻訳，質問応答，自動要
約，対話生成，評判分析，SNS分析，…
• 基礎: 品詞タグ付け（形態素解析），チャンキ
ング，固有表現抽出，構文解析，共参照解析，
意味役割付与，…
• 多くのタスクは「入力𝑥𝑥から出力�𝑦𝑦を予測」
�𝑦𝑦 = argmax
𝑦𝑦∈𝑌𝑌
𝑃𝑃(𝑦𝑦|𝑥𝑥)
※確率ではないモデルもあります

単語列からラベル: ̂𝑦𝑦 = argmax
𝑦𝑦∈𝑌𝑌
𝑃𝑃(𝑦𝑦|𝒙𝒙)
The movie is the best I’ve ever seen!
The movie is coming soon on cinemas.
This movie is rubbish!!!
• モデル：ナイーブ・ベイズ，パーセプトロン，
ロジスティック回帰，サポート・ベクトル・マシン
𝒙𝒙: 単語列 𝑃𝑃(𝑦𝑦|𝒙𝒙) �𝑦𝑦

単語列から系列ラベル: �𝒚𝒚 = argmax
𝒚𝒚∈𝑌𝑌 𝑚𝑚
𝑃𝑃(𝒚𝒚|𝒙𝒙)
• モデル：隠れマルコフモデル，条件付き確率場，符号・復号
• 探索法：点予測，動的計画法，ビーム探索，…
In March 2005, the New York Times acquired About, Inc.
IN NNP CD DT NNP NNP NNP VBD NNP NNP
O B-NP I-NP B-NP I-NP I-NP I-NP B-VP B-NP B-NP
2005年 3月，ニューヨーク・タイムズは About 社を買収した．
(品詞)
(句)
(翻訳)
(入力)
I heard Google and Yahoo were among the other bidders.(対話)

DNNブームの幕開け (2012年頃)
• 画像認識でブレークスルー
• エラー率が10%以上減少 (ILSVRC 2012)
• 言語処理での衝撃は限定的
• 文字や単語などの明確な特徴量があったため？
• 最近ではDNNが様々なタスクで最高性能を達成
• (D)NNと言語処理の関わりは昔からあった
• Neural Language Model (Bengio+ 03)
• SENNA (CNNで汎用NLP) (Collobert+ 08)

言語処理におけるDNNの進展

言語処理におけるDNNの進展
• 単語の分散表現
• エンコーダ・デコーダ
• 分散表現の合成
• アテンション
very
good
movie
very
good
movie
very good movie
very
good
movie
とても
良い
映画
very
good
movie

単語の分散表現の学習:
Skip-gram with negative sampling (Mikolov+ 13)
draughtofferpubs beer, cider, and wine
last
use
place
people
make
city
full
know
build
time
group
have
new
game
rather
age
show
take
take
team
season
say
個
の
単
語
を
ユ
ニ
グ
ラ
ム
分
布
か
ら
サ
ン
プ
リ
ン
グ
し
，
こ
れ
ら
が
予
測
さ
れ
な
い
よ
う
に
更
新
（
負
例
）
個
の
文
脈
語
を
予
測
す
る
よ
う
に
更
新
同じ単語がサン
プルされること
もあり得る
単語ベクトル𝒗𝒗𝑤𝑤 (𝑑𝑑次元)
予測ベクトル�𝒗𝒗𝑐𝑐 (𝑑𝑑次元)
: 内積 → +∞ へ
: 内積 → −∞ へ
ベクトルの更新方針
コーパス
（ℎ = 2, 𝑘𝑘 = 1の場合）

分散表現の合成 (1/2):
Recurrent Neural Network (RNN) (Sutskever+ 11)
very good movie
𝑥𝑥𝑡𝑡
𝑊𝑊(ℎ𝑥𝑥)
ℎ𝑡𝑡
𝑊𝑊(𝑦𝑦𝑦)
𝑊𝑊(ℎℎ)
𝑊𝑊(ℎℎ)
𝑦𝑦𝑡𝑡
潜在ベクトル: ℎ𝑡𝑡 = 𝜎𝜎 𝑊𝑊(ℎ𝑥𝑥)
𝑥𝑥𝑡𝑡 + 𝑊𝑊(ℎℎ)
ℎ𝑡𝑡−1 + 𝑏𝑏(ℎ)
出力ベクトル: 𝑦𝑦𝑡𝑡 = 𝜎𝜎 𝑊𝑊(𝑦𝑦𝑦)
ℎ𝑡𝑡 + 𝑏𝑏(𝑦𝑦)
入力ベクトル:
（単語ベクトル）
潜在ベクトル:
（合成ベクトル）
出力ベクトル:
（評判ラベル）

分散表現の合成 (2/2):
Long Short-Term Memory (LSTM) (Graves 13)
very good movie
𝑥𝑥𝑡𝑡
𝑐𝑐𝑡𝑡
ℎ𝑡𝑡
Input gate
Output gate
Forget gate Forget gate
• 各ゲートはマスクの役割を担う（ベクトルの要素ごとの積）
• 各ゲートのマスクパターンは入力𝑥𝑥𝑡𝑡，記憶ℎ𝑡𝑡−1，出力ℎ𝑡𝑡−1などで自動制御
• 長い系列での誤差逆伝搬時の勾配消失をゲートで防止する（→長期依存の保存）
• LSTMの代わりにGated Recurrent Unit (GRU) も用いることも多い

エンコーダ・デコーダモデル
Sequence-to-sequence (Sutskever+ 14; Cho+ 14)
very good movie
とてもよい映画だ
<EOS> とてもよい映画だ
<EOS>
𝑥𝑥𝑡𝑡
ℎ𝑡𝑡
𝑦𝑦𝑡𝑡
• 英語 (𝑥𝑥𝑡𝑡) から日本語 (𝑦𝑦𝑡𝑡) への機械翻訳の例
• ℎ𝑡𝑡 = 𝜎𝜎(𝑊𝑊(ℎ𝑥𝑥) 𝑥𝑥𝑡𝑡 + 𝑊𝑊(ℎℎ)ℎ𝑡𝑡−1)
• 𝑦𝑦𝑡𝑡 = 𝑊𝑊(𝑦𝑦𝑦)ℎ𝑡𝑡 (𝑦𝑦𝑡𝑡は出力単語のスコアのベクトル表現)
• 出力単語を入力側に戻すことで，翻訳履歴を考慮
• 実際にはRNNではなく2-layer LSTM等を用いる
入力文の意味
ベクトル

アテンション (Bahdanau+ 15, Luong+, 15)
very good movie
とてもよい
<EOS> とても
𝑥𝑥𝑠𝑠
ℎ𝑠𝑠 ℎ𝑡𝑡
𝑎𝑎𝑡𝑡(𝑠𝑠)
𝑐𝑐𝑡𝑡
�ℎ𝑡𝑡 = tanh(𝑊𝑊𝑐𝑐[𝑐𝑐𝑡𝑡; ℎ𝑡𝑡])
𝑎𝑎𝑡𝑡(𝑠𝑠) =
exp s(ℎ𝑡𝑡, ℎ𝑠𝑠)
∑𝑠𝑠′ exp s(ℎ𝑡𝑡, ℎ𝑠𝑠𝑠)
s ℎ𝑡𝑡, ℎ𝑠𝑠 = ℎ𝑡𝑡 ⋅ ℎ𝑠𝑠
または
s ℎ𝑡𝑡, ℎ𝑠𝑠 = ℎ𝑡𝑡
T
𝑊𝑊𝑎𝑎ℎ𝑠𝑠
など
𝑐𝑐𝑡𝑡 = �
𝑠𝑠
𝑎𝑎𝑡𝑡(𝑠𝑠)ℎ𝑠𝑠
• 固定長のベクトルで文全体の意味を表現するには限界がある
• 位置𝑡𝑡の単語を予測するときに，入力のどの単語に着目すべき
かの重み𝑎𝑎𝑡𝑡(𝑠𝑠)を求め，入力単語のベクトルℎ𝑠𝑠の重み付き平均
ベクトル𝑐𝑐𝑡𝑡を用いて出力単語を生成する
𝑦𝑦𝑡𝑡 = softmax(𝑊𝑊𝑦𝑦
�ℎ𝑡𝑡)

これまでの流れを解説した文献
人工知能 2016年3月号特集記事

DNNを言語処理の難題に適用
• 多様性・曖昧性（表層と意味の対応付け）
• これまでの説明＋第２部
• 文脈の処理（複数の文の情報の統合）
• 第３部で説明
• 知識の獲得と推論（暗黙的な情報の利用）
• 第２部で説明

知識の獲得と推論

関係知識 (Nickel+ 16)
• (subject, predicate, object)の三つ組の集合
Leonard Nimoy was an actor who played the character Spock
in the science-fiction movie Star Trek
Subject (s) Predicate (r) Object (t)
Leonard_Nimoy profession Actor
Leonard_Nimoy starredIn Star_Trek
Leonard_Nimoy played Spock
Spock characterIn Star_Trek
StarTrek genre Science_Fiction

関係知識の因子分解（分散表現化）
• RESCAL (Nickel+ 11)
• score 𝑠𝑠, 𝑟𝑟, 𝑡𝑡 = 𝑥𝑥𝑠𝑠
T 𝑊𝑊𝑟𝑟 𝑥𝑥𝑡𝑡
• 𝑥𝑥𝑠𝑠 ∈ ℝ𝑑𝑑
, 𝑥𝑥𝑡𝑡 ∈ ℝ𝑑𝑑
, 𝑊𝑊𝑟𝑟 ∈ ℝ𝑑𝑑×𝑑𝑑
• TransE (Bordes+ 13)
• score 𝑠𝑠, 𝑟𝑟, 𝑡𝑡 = − 𝑥𝑥𝑠𝑠 + 𝑤𝑤𝑟𝑟 − 𝑥𝑥𝑡𝑡 2
2
• 𝑥𝑥𝑠𝑠 ∈ ℝ𝑑𝑑
, 𝑤𝑤𝑟𝑟 ∈ ℝ𝑑𝑑
, 𝑥𝑥𝑡𝑡 ∈ ℝ𝑑𝑑
• max-margin損失関数を最小化する場合
𝐽𝐽 = �
(𝑠𝑠,𝑟𝑟,𝑡𝑡)∈𝐷𝐷
max 0,1 − score 𝑠𝑠, 𝑟𝑟, 𝑡𝑡 + score 𝑠𝑠∗, 𝑟𝑟, 𝑡𝑡∗
𝐷𝐷に存在しない三つ組（負例）←知識ベースの三つ組集合
Japan
Tokyo
capital capital
UK
London
Japan capital Tokyo

関係知識の合成（推論） (Guu+ 15)
• 隣接行列による関係の合成
• RESCALベース: 𝑥𝑥𝑠𝑠
T
𝑊𝑊𝑟𝑟1
… 𝑊𝑊𝑟𝑟𝑘𝑘
𝑥𝑥𝑡𝑡
• TransEベース: − 𝑥𝑥𝑠𝑠 + 𝑤𝑤𝑟𝑟1
+ ⋯ + 𝑤𝑤𝑟𝑟𝑘𝑘
− 𝑥𝑥𝑡𝑡 2
2
× → × → ・ = 3
Swiss location language(cities) (langs)
Geneva
French
Zürich
Germany
Swiss location (cities)
→
language (langs)
→ Germany
Swiss
Germany
location
language
→ 1

関係パタンのロングテール
(person/organization_founded) (Toutanova+ 15)
KBの関係の分散表現と，
その関係がテキスト中で
言及される言語パタンの
分散表現を対応付けたい
テキストからKBの関係
事例を拡充できる
→ Universal Schema
(Riedel+ 13)
同じ関係を表す言語パタ
ンはバラエティに富む
関係パタンのロングテー
ルに対応できる分散表現
を学習したい

関係パタンの意味合成 (Toutanova+ 15)
• 関係パタンの分散表現をCNNで合成することで，知識
ベース拡充の精度が向上することを実証
• 知識ベース拡充: 未知の関係事例の真偽値の予測するタスク
• ベース手法: KBとテキストの分散表現の同時学習 (Riedel+ 13)
Toutanova+ (2015)

関係パタンの意味合成 (Takase+ 16)
• 因果関係などの「関係」を表す言語表現の分散表現を，
構成単語の分散表現から合成する新手法 (GAC) を提案
• 関係の分散表現の評価データを構築・公開
• 関係の分散表現が関係分類タスクで貢献することを実証
passive smoking increases the risk of lung cancer
xs xs+1 xs+2 xs+T-1
xs+T xs+T+1xs-2 xs-1
(3)
(4) (5)
hs hs+1 hs+2
hs+T-1
(3)
ws ws+1 ws+2 ws+T-1
(3)
ws+T ws+T+1
(4) (5)
ws-2 ws-1
fs fs+1 fs+2
is is+1 is+2 is+3
~ ~ ~ ~
Parameter update
by Skip-gram model
Parameter update by
Skip-gram model
Pattern vector computed by Gated Additive Composition (GAC)
T = 4 δ = 2δ = 2
Context window Context windowRelation pattern
(word vectors)(context vectors) (context vectors)
(hidden vectors)

文脈の処理

読解 (Hermann+ 15)
• 新聞記事と要約から穴埋め問題の訓練データを自動生成
• 共参照を解消し，エンティティを匿名化（n-gram等の単純な手法を排除）
• 記事と質問の文脈を蓄積・処理する能力を測定することを意図
• 訓練データ数: 約9万記事 (CNN), 約22万記事 (Daily Mail)

DNNによる読解 (Hermann+ 15)
Hermann+ (2015)
𝒖𝒖と𝒚𝒚(𝑡𝑡)でアテンション
𝑠𝑠(𝑡𝑡)を計算
𝑝𝑝(𝑎𝑎|𝑑𝑑, 𝑞𝑞)
∝ exp(𝒗𝒗(𝑎𝑎) ⋅ 𝒈𝒈 𝑑𝑑, 𝑞𝑞 )
RNNに似た合成
（クエリの単語毎にアテンションを張る）
𝒈𝒈 𝑑𝑑, 𝑞𝑞 = tanh(𝑊𝑊 𝑔𝑔𝑔𝑔
𝒓𝒓 + 𝑊𝑊 𝑔𝑔𝑢𝑢
𝒖𝒖)

動的分散表現による読解 (Kobayashi+ 16)
Once X1 was the U.S. president. X1 faced criticism for affairs.
X1の表現1
Later X1 was divorced with the wife X2.
質問: [?] was the wife of the president.
X1の表現2
X1の表現3 X2の表現1
双方向LSTMでXのベク
トルをエンコード（先頭
と末尾の単語のベクトル
も結合して用いる）
[?]の表現
X1の表現 X2の表現
アテンションでXの異なる
文脈のベクトルを統合
内積の大きい方を解答
するようにモデル化
Max-poolingによる初期化

CNN/Daily Mailデータの解析 (Chen+ 16)
• Attentive Reader (Hermann+ 15) のアテンションの取り方を変
えるだけで性能が大きく向上
• ノイジーなデータのため，これ以上の性能向上の見込みは低い
• 共参照解析誤りと難解な事例が残りの25%
• DNNは換言や関連概念の認識が得意
• 文脈の蓄積や処理が必要な事例が少ない
Chen+ (2016)

bAbI (Weston+ 16)
• テキストの理解・推論の「単体テスト」を
目指して構築されたデータ
• 文章に関する質問とその答えの形式
• 人間であれば外部知識無しで簡単に解ける問題
• シミュレーションによりデータを自動生成
• 20種類のタスクに分けられている
• 限られた語彙 (150語，4人，6場所，3物体)

End-to-end Memory Network (Sukhbaatar+ 15)
• Memory Neural Networks (Weston+ 15) の改良版
• ソフトアテンションによるメモリ読み込み
• 質問と答えのペアだけで学習が可能
Sukhbaatar+ (2015)
𝑝𝑝𝑖𝑖 = softmax(𝒖𝒖𝑇𝑇
𝒎𝒎𝒊𝒊)
𝒐𝒐 = �
𝑖𝑖
𝑝𝑝𝑖𝑖 𝒄𝒄𝒊𝒊
入力
質問
𝑑𝑑次元ベクトル
𝒂𝒂 = 𝑊𝑊(𝒖𝒖 + 𝒐𝒐)
𝒖𝒖2
= 𝒖𝒖1
+ 𝒐𝒐1
𝒖𝒖3
= 𝒖𝒖2
+ 𝒐𝒐2
各層の構造多層化
(実験では3層に固定)

Dynamic Memory Network (Kumar+ 16)
• bAbIの正解率: 93.6%（Memory Networksよりも高い）
• 品詞タグ付けや評判分析でも高性能（”Ask me anything”）
Kumar+ (2016)

bAbIデータの解析 (Lee+ 16)
• Tensor Product Representation (TPR) (Smolensky
90) でbAbIタスクを解くと，ほぼ100%の正解率
• bAbIだけでNNの推論能力を測定するのは不適切
• エンティティ間の関係が１種類のタスクが多いため
• Task 17: 東・西・南・北の４種類
• Task 19: 上・下・左・右の4種類
• それ以外: 所属関係か所属の推移関係のみで構成されている
Mary went to the kitchen. belong(Mary, kitchen) 𝒎𝒎𝒌𝒌𝑻𝑻
Sandra journeyed to the office. belong(Sandra, office) 𝐬𝐬𝒐𝒐𝑇𝑇
Mary got the football there. belong(Football, Mary) 𝒇𝒇𝒎𝒎𝑇𝑇
Mary travelled to the garden. belong(Mary, garden) 𝒎𝒎𝒈𝒈𝑇𝑇
Where is the football? (garden)
TPRによるTask 3の解答例．文の意味解析結果から所属関係を取り出し，それをベクトルの外積で
表現する．各文の表現に対し，クエリ𝒇𝒇𝑇𝑇
を左からかけて，内積が1に最も近い直近の所持者を特定
する (𝒎𝒎𝑇𝑇
)．Maryは人物なので，𝒎𝒎𝑇𝑇
をクエリとして，同様の処理で直近の所持者𝒈𝒈𝑇𝑇
を得る
𝒎𝒎𝑇𝑇 𝒇𝒇𝑇𝑇
MemNNやDMNが苦手
としているタスク

その他のデータ・セット
• Children Book Test (Hill+ 16)
• 童話から作られた選択式問題
• 連続する20文に続く21文目のある単語を穴埋め
• SQuAD (Rajpurkar+ 16)
• Wikipedia記事から作られた大規模質問応答データ
• クラウドソーシングで構築
• LAMBADA (Paperno+ 16)
• 小説から作られた穴埋め式問題
• 現状では人間とDNNの性能差が大きい（難しい）

まとめ
• 様々なタスクでDNNが最高性能を達成
• 分散表現，分散表現の合成，エンコーダ・デコーダ，
アテンション，などの研究成果の蓄積
• 知識・文脈・推論などの難題に再チャレンジ
• 論理推論とは隔たりはまだ大きいが…
• 確率的論理推論への展開も (Cohen 16)
• 読解や質問応答の研究が活発化
• DNNの「能力」の解析が進む
• DNNは換言や知識の簡単な合成を学習できる(らしい)

参考文献
• D Bahdanau, K Cho, Y Bengio: Neural Machine Translation by Jointly Learning to Align and Translate, in ICLR
(2015)
• Y Bengio, R Ducharme, P Vincent, C Janvin: A Neural Probabilistic Language Model, Journal of Machine Learning
Research, Vol. 3, pp. 1137–1155 (2003)
• A Bordes, N Usunier, A Garcia-Duran, J Weston, O Yakhnenko: Translating Embeddings for Modeling Multi-
relational Data. in Proc. of NIPS, pp. 2787–2795 (2013)
• D Chen, J Bolton, C D Manning: A Thorough Examination of the CNN/Daily Mail Reading Comprehension Task, in
Proc. ACL (to apepar) (2016).
• K Cho, van B Merrienboer, C Gulcehre, D Bahdanau, F Bougares, H Schwenk, Y Bengio: Learning Phrase
Representations using RNN Encoder–Decoder for Statistical Machine Translation, in Proc. of EMNLP, pp. 1724–
1734 (2014)
• W W Cohen: TensorLog: A Differentiable Deductive Database, CoRR, Vol. abs/1605.06523 (2016)
• R Collobert, J Weston: A Unified Architecture for Natural Language Processing: Deep Neural Networks with
Multitask Learning, in Proc of ICML, pp. 160–167 (2008)
• A Graves: Generating Sequences With Recurrent Neural Networks, CoRR, Vol. abs/1308.0850 (2013)
• M Lee, X He, W-T Yih, J Gao, L Deng, P Smolensky: Reasoning in Vector Space: An Exploratory Study of Question
Answering, in Proc. of ICLR (2016)
• M-T Luong, H Pham, C D Manning: Effective Approaches to Attention-based Neural Machine Translation, in Proc.
of EMNLP, pp. 1412-1421 (2015)
• K Guu, J Miller, P Liang. Traversing Knowledge Graphs in Vector Space, in Proc. of EMNLP, pp 318-327 (2015)
• T Mikolov, I Sutskever, K Chen, G S Corrado, J Dean: Distributed Representations ofWords and Phrases and their
Compositionality, in Proc. of NIPS, pp. 3111–3119 (2013)
• K M Hermann, T Kocisky, E Grefenstette, L Espeholt, W Kay, M Suleyman, P Blunsom. Teaching machines to read
and comprehend, in Proc. of NIPS, pp. 1684-1692 (2015)

• F Hill, A Bordes, S Chopra, J Weston: The Goldilocks Principle: Reading Children's Books with Explicit Memory
Representations, in Proc. of ICLR (2016)
• S Kobayashi, R Tian, N Okazaki, K Inui. Dynamic Entity Representation with Max-pooling Improves Machine
Reading, in Proc. of NAACL-HLT, pp. 850-855 (2016)
• A Kumar, P Ondruska, M Iyyer, J Bradbury, I Gulrajani, V Zhong, R Paulus, R Socher: Ask Me Anything: Dynamic
Memory Networks for Natural Language Processing, in Proc. of ICML (2016)
• M Nickel, V Tresp, H-P Kriegel. A Three-Way Model for Collective Learning on Multi-Relational Data. in Proc. of
ICML, pp. 809–816 (2011)M Nickel, K Murphy, V Tresp, E Gabrilovich. A Review of Relational Machine Learning for
Knowledge Graphs. Proceedings of the IEEE, 104(1):11–33 (2016)
• P Rajpurkar, J Zhang, K Lopyrev, P Liang: SQuAD: 100,000+ Questions for Machine Comprehension of Text, CoRR,
Vol. abs/1606.05250, (2016)
• D Paperno, G Kruszewski, A Lazaridou, Q Pham, R Bernardi, S Pezzelle, M Baroni, G Boleda and R Fernandez. The
LAMBADA Dataset: Word Prediction Requiring a Broad Discourse Context, in Proc. of ACL (2016)
• S Riedel, L Yao, A McCallum: Latent Relation Representations for Universal Schemas, in Proc. of ICLR (2013)
• P Smolensky: Tensor product variable binding and the representation of symbolic structures in connectionist
• systems. Artificial Intelligence, 46(1-2), (1990)
• S Sukhbaatar, A Szlam, J Weston, R Fergus: End-to-End Memory Networks, in Proc of NIPS (2015)
• I Sutskever, J Martens, G Hinton: Generating Text with Recurrent Neural Networks, in Proc. of ICML, pp. 1017–1024
(2011)
• I Sutskever, O Vinyals, Q V Le: Sequence to Sequence Learning with Neural Networks, in Proc. of NIPS, pp. 3104–
3112 (2014)
• S Takase, N Okazaki, K Inui: Composing Distributed Representations of Relational Patterns. in Proc. ACL (2016).
• K Toutanova, D Chen, P Pantel, H Poon, P Choudhury, M Gamon: Representing Text for Joint Embedding of Text
and Knowledge Bases, in Proc. of EMNLP, pp. 1499-1509 (2015)
• J Weston, A Bordes, S Chopra, A M Rush, B van Merrienboer, A Joulin, T Mikolov: Towards AI-Complete Question
Answering: A Set of Prerequisite Toy Tasks, in Proc. of ICLR (2016)

参考資料
• 海野裕也. 「知識」のDeep Learning.
• http://www.slideshare.net/unnonouno/deep-learning-
48974928
• 岡崎直観. 単語・句の分散表現の学習.
• http://www.slideshare.net/naoakiokazaki/ss-55494101
• 人工知能 2016年3月号特集「ニューラルネット
ワーク研究のフロンティア」
• https://www.amazon.co.jp/dp/B01DK8Z9PE

深層ニューラルネットワークによる知識の自動獲得・推論

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à 深層ニューラルネットワークによる知識の自動獲得・推論

Similaire à 深層ニューラルネットワークによる知識の自動獲得・推論 (20)

Plus de Naoaki Okazaki

Plus de Naoaki Okazaki (8)