Submit Search
Upload
PRML復々習レーン#14 前回までのあらすじ
•
1 like
•
2,695 views
S
sleepy_yoshi
Follow
PRML復々習レーン#14 前回までのあらすじ資料
Read less
Read more
Technology
Report
Share
Report
Share
1 of 15
Download now
Download to read offline
Recommended
PRML復々習レーン#13 前回までのあらすじ
PRML復々習レーン#13 前回までのあらすじ
sleepy_yoshi
PRML復々習レーン#12 前回までのあらすじ
PRML復々習レーン#12 前回までのあらすじ
sleepy_yoshi
PRML復々習レーン#10 前回までのあらすじ
PRML復々習レーン#10 前回までのあらすじ
sleepy_yoshi
PRML復々習レーン#11 前回までのあらすじ
PRML復々習レーン#11 前回までのあらすじ
sleepy_yoshi
LSTMで話題分類
LSTMで話題分類
__john_smith__
PRML復々習レーン#15 前回までのあらすじ
PRML復々習レーン#15 前回までのあらすじ
sleepy_yoshi
KDD2014勉強会: Large-Scale High-Precision Topic Modeling on Twitter
KDD2014勉強会: Large-Scale High-Precision Topic Modeling on Twitter
sleepy_yoshi
KDD2013読み会: Direct Optimization of Ranking Measures
KDD2013読み会: Direct Optimization of Ranking Measures
sleepy_yoshi
Recommended
PRML復々習レーン#13 前回までのあらすじ
PRML復々習レーン#13 前回までのあらすじ
sleepy_yoshi
PRML復々習レーン#12 前回までのあらすじ
PRML復々習レーン#12 前回までのあらすじ
sleepy_yoshi
PRML復々習レーン#10 前回までのあらすじ
PRML復々習レーン#10 前回までのあらすじ
sleepy_yoshi
PRML復々習レーン#11 前回までのあらすじ
PRML復々習レーン#11 前回までのあらすじ
sleepy_yoshi
LSTMで話題分類
LSTMで話題分類
__john_smith__
PRML復々習レーン#15 前回までのあらすじ
PRML復々習レーン#15 前回までのあらすじ
sleepy_yoshi
KDD2014勉強会: Large-Scale High-Precision Topic Modeling on Twitter
KDD2014勉強会: Large-Scale High-Precision Topic Modeling on Twitter
sleepy_yoshi
KDD2013読み会: Direct Optimization of Ranking Measures
KDD2013読み会: Direct Optimization of Ranking Measures
sleepy_yoshi
ICML2013読み会: Distributed training of Large-scale Logistic models
ICML2013読み会: Distributed training of Large-scale Logistic models
sleepy_yoshi
SEXI2013読み会: Adult Query Classification for Web Search and Recommendation
SEXI2013読み会: Adult Query Classification for Web Search and Recommendation
sleepy_yoshi
計算論的学習理論入門 -PAC学習とかVC次元とか-
計算論的学習理論入門 -PAC学習とかVC次元とか-
sleepy_yoshi
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
sleepy_yoshi
PRML復々習レーン#10 7.1.3-7.1.5
PRML復々習レーン#10 7.1.3-7.1.5
sleepy_yoshi
PRML復々習レーン#9 6.3-6.3.1
PRML復々習レーン#9 6.3-6.3.1
sleepy_yoshi
PRML復々習レーン#9 前回までのあらすじ
PRML復々習レーン#9 前回までのあらすじ
sleepy_yoshi
PRML復々習レーン#7 前回までのあらすじ
PRML復々習レーン#7 前回までのあらすじ
sleepy_yoshi
SIGIR2012勉強会 23 Learning to Rank
SIGIR2012勉強会 23 Learning to Rank
sleepy_yoshi
DSIRNLP#3 LT: 辞書挟み込み型転置インデクスFIg4.5
DSIRNLP#3 LT: 辞書挟み込み型転置インデクスFIg4.5
sleepy_yoshi
ICML2012読み会 Scaling Up Coordinate Descent Algorithms for Large L1 regularizat...
ICML2012読み会 Scaling Up Coordinate Descent Algorithms for Large L1 regularizat...
sleepy_yoshi
PRML復々習レーン#3 3.1.3-3.1.5
PRML復々習レーン#3 3.1.3-3.1.5
sleepy_yoshi
PRML復々習レーン#3 前回までのあらすじ
PRML復々習レーン#3 前回までのあらすじ
sleepy_yoshi
SVM実践ガイド (A Practical Guide to Support Vector Classification)
SVM実践ガイド (A Practical Guide to Support Vector Classification)
sleepy_yoshi
PRML復々習レーン#2 2.3.6 - 2.3.7
PRML復々習レーン#2 2.3.6 - 2.3.7
sleepy_yoshi
WSDM2012読み会: Learning to Rank with Multi-Aspect Relevance for Vertical Search
WSDM2012読み会: Learning to Rank with Multi-Aspect Relevance for Vertical Search
sleepy_yoshi
Collaborative Ranking: A Case Study on Entity Ranking (EMNLP2011読み会)
Collaborative Ranking: A Case Study on Entity Ranking (EMNLP2011読み会)
sleepy_yoshi
SIGIR2011読み会 3. Learning to Rank
SIGIR2011読み会 3. Learning to Rank
sleepy_yoshi
TokyoNLP#7 きれいなジャイアンのカカカカ☆カーネル法入門-C++
TokyoNLP#7 きれいなジャイアンのカカカカ☆カーネル法入門-C++
sleepy_yoshi
ACL2011読み会: Query Weighting for Ranking Model Adaptation
ACL2011読み会: Query Weighting for Ranking Model Adaptation
sleepy_yoshi
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
iPride Co., Ltd.
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
iPride Co., Ltd.
More Related Content
More from sleepy_yoshi
ICML2013読み会: Distributed training of Large-scale Logistic models
ICML2013読み会: Distributed training of Large-scale Logistic models
sleepy_yoshi
SEXI2013読み会: Adult Query Classification for Web Search and Recommendation
SEXI2013読み会: Adult Query Classification for Web Search and Recommendation
sleepy_yoshi
計算論的学習理論入門 -PAC学習とかVC次元とか-
計算論的学習理論入門 -PAC学習とかVC次元とか-
sleepy_yoshi
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
sleepy_yoshi
PRML復々習レーン#10 7.1.3-7.1.5
PRML復々習レーン#10 7.1.3-7.1.5
sleepy_yoshi
PRML復々習レーン#9 6.3-6.3.1
PRML復々習レーン#9 6.3-6.3.1
sleepy_yoshi
PRML復々習レーン#9 前回までのあらすじ
PRML復々習レーン#9 前回までのあらすじ
sleepy_yoshi
PRML復々習レーン#7 前回までのあらすじ
PRML復々習レーン#7 前回までのあらすじ
sleepy_yoshi
SIGIR2012勉強会 23 Learning to Rank
SIGIR2012勉強会 23 Learning to Rank
sleepy_yoshi
DSIRNLP#3 LT: 辞書挟み込み型転置インデクスFIg4.5
DSIRNLP#3 LT: 辞書挟み込み型転置インデクスFIg4.5
sleepy_yoshi
ICML2012読み会 Scaling Up Coordinate Descent Algorithms for Large L1 regularizat...
ICML2012読み会 Scaling Up Coordinate Descent Algorithms for Large L1 regularizat...
sleepy_yoshi
PRML復々習レーン#3 3.1.3-3.1.5
PRML復々習レーン#3 3.1.3-3.1.5
sleepy_yoshi
PRML復々習レーン#3 前回までのあらすじ
PRML復々習レーン#3 前回までのあらすじ
sleepy_yoshi
SVM実践ガイド (A Practical Guide to Support Vector Classification)
SVM実践ガイド (A Practical Guide to Support Vector Classification)
sleepy_yoshi
PRML復々習レーン#2 2.3.6 - 2.3.7
PRML復々習レーン#2 2.3.6 - 2.3.7
sleepy_yoshi
WSDM2012読み会: Learning to Rank with Multi-Aspect Relevance for Vertical Search
WSDM2012読み会: Learning to Rank with Multi-Aspect Relevance for Vertical Search
sleepy_yoshi
Collaborative Ranking: A Case Study on Entity Ranking (EMNLP2011読み会)
Collaborative Ranking: A Case Study on Entity Ranking (EMNLP2011読み会)
sleepy_yoshi
SIGIR2011読み会 3. Learning to Rank
SIGIR2011読み会 3. Learning to Rank
sleepy_yoshi
TokyoNLP#7 きれいなジャイアンのカカカカ☆カーネル法入門-C++
TokyoNLP#7 きれいなジャイアンのカカカカ☆カーネル法入門-C++
sleepy_yoshi
ACL2011読み会: Query Weighting for Ranking Model Adaptation
ACL2011読み会: Query Weighting for Ranking Model Adaptation
sleepy_yoshi
More from sleepy_yoshi
(20)
ICML2013読み会: Distributed training of Large-scale Logistic models
ICML2013読み会: Distributed training of Large-scale Logistic models
SEXI2013読み会: Adult Query Classification for Web Search and Recommendation
SEXI2013読み会: Adult Query Classification for Web Search and Recommendation
計算論的学習理論入門 -PAC学習とかVC次元とか-
計算論的学習理論入門 -PAC学習とかVC次元とか-
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
PRML復々習レーン#10 7.1.3-7.1.5
PRML復々習レーン#10 7.1.3-7.1.5
PRML復々習レーン#9 6.3-6.3.1
PRML復々習レーン#9 6.3-6.3.1
PRML復々習レーン#9 前回までのあらすじ
PRML復々習レーン#9 前回までのあらすじ
PRML復々習レーン#7 前回までのあらすじ
PRML復々習レーン#7 前回までのあらすじ
SIGIR2012勉強会 23 Learning to Rank
SIGIR2012勉強会 23 Learning to Rank
DSIRNLP#3 LT: 辞書挟み込み型転置インデクスFIg4.5
DSIRNLP#3 LT: 辞書挟み込み型転置インデクスFIg4.5
ICML2012読み会 Scaling Up Coordinate Descent Algorithms for Large L1 regularizat...
ICML2012読み会 Scaling Up Coordinate Descent Algorithms for Large L1 regularizat...
PRML復々習レーン#3 3.1.3-3.1.5
PRML復々習レーン#3 3.1.3-3.1.5
PRML復々習レーン#3 前回までのあらすじ
PRML復々習レーン#3 前回までのあらすじ
SVM実践ガイド (A Practical Guide to Support Vector Classification)
SVM実践ガイド (A Practical Guide to Support Vector Classification)
PRML復々習レーン#2 2.3.6 - 2.3.7
PRML復々習レーン#2 2.3.6 - 2.3.7
WSDM2012読み会: Learning to Rank with Multi-Aspect Relevance for Vertical Search
WSDM2012読み会: Learning to Rank with Multi-Aspect Relevance for Vertical Search
Collaborative Ranking: A Case Study on Entity Ranking (EMNLP2011読み会)
Collaborative Ranking: A Case Study on Entity Ranking (EMNLP2011読み会)
SIGIR2011読み会 3. Learning to Rank
SIGIR2011読み会 3. Learning to Rank
TokyoNLP#7 きれいなジャイアンのカカカカ☆カーネル法入門-C++
TokyoNLP#7 きれいなジャイアンのカカカカ☆カーネル法入門-C++
ACL2011読み会: Query Weighting for Ranking Model Adaptation
ACL2011読み会: Query Weighting for Ranking Model Adaptation
Recently uploaded
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
iPride Co., Ltd.
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
iPride Co., Ltd.
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000
Shota Ito
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
Atomu Hidaka
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
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
osamut
UPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdf
furutsuka
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
Recently uploaded
(9)
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
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
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
UPWARD_share_company_information_20240415.pdf
UPWARD_share_company_information_20240415.pdf
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
PRML復々習レーン#14 前回までのあらすじ
1.
PRML復々習レーン#14(再) 前回までのあらすじ 2013-10-05 Yoshihiko Suhara @sleepy_yoshi v.1.0
2.
前回のおさらい • 復々習レーンの復習を10分程度でやります – 得られた結論にポイントを絞る –
「よーするに」な内容 • 好きなところをたくさん喋る • よくわからないところは誤魔化す • まちがってたら指摘してください • 目的 ポイントだよ ポイントだよ ポイント小僧の向きに意味はありません – 前回の復習 – 不参加の方に流れを伝えるため – 自分自身の勉強のため 2
3.
前回の範囲 • 8章 グラフィカルモデル – 8.1
ベイジアンネットワーク • • • • 8.1.1 例:多項式曲線フィッティング 8.1.2 生成モデル 8.1.3 離散変数 8.1.4 線形ガウスモデル – 8.2 条件付き独立性 • • 8.2.1 3つのグラフの例 8.2.2 有効分離 (D分離) – 8.3 マルコフ確率場 • • • • 8.3.1 条件付き独立性 8.3.2 分解特性 8.3.3 例: 画像のノイズ除去 8.3.4 有向グラフとの関係 – 8.4 グラフィカルモデルにおける推論 • • • • • • • • 8.4.1 連鎖における推論 8.4.2 木 8.4.3 因子グラフ 8.4.4 積和アルゴリズム 8.4.5 max-sum アルゴリズム 8.4.6 一般のグラフにおける厳密推論 8.4.7 ループあり確率伝播 8.4.8 グラフ構造の学習 前回の範囲 3
4.
8.4 グラフィカルモデルによる推論 4
5.
8.4 グラフィカルモデルにおける推論 ポイントだよ グラフのいくつかのノードの値が観測された場合に 残りのノードに関する事後分布を計算する • 局所的なメッセージがグラフ全体にわたる伝播として 表現できる –
本節では厳密推論の方法について論じる • (1) 無向グラフを一般化した因子グラフ • (2) 周辺分布が欲しいときには積和アルゴリズム • (3) 最大の同時確率とその変数組が欲しいときには max-sum アルゴリズム 5
6.
8.4.1 連鎖における推論 ポイントだよ 連鎖グラフにおいては,あるノードを中心として 前向きに伝えるメッセージと後ろ向きに伝わるメッセージの 和で計算可能 𝑝 𝑥𝑛
= … 𝑥1 = 1 𝑍 … 𝑥 𝑛−1 𝑥 𝑛+1 𝜓 𝑛−1,𝑛 𝑥 𝑛−1 , 𝑥 𝑛 … 𝑥 𝑛−1 𝑁 𝜓2,3 𝑥2 , 𝑥3 𝑥2 𝜓1,2 𝑥1 , 𝑥2 𝑥1 𝜓 𝑛,𝑛+1 𝑥 𝑛 , 𝑥 𝑛+1 … 𝑥 𝑛+1 𝑝(𝒙) 𝜓 𝑁−1,𝑁 𝑥 𝑁−1 , 𝑥 𝑁 ⋯ 𝜇𝛼 𝑥𝑛 𝑥𝑁 𝜇𝛽 𝑥𝑛 6
7.
8.4.2 木 ポイントだよ 有向木⇔無向木は相互に変換可能 • なお複数の親を持つ多重木の場合には,モラル 化によってループができる •
しかし,因子グラフに変換すると問題がなくなる 7
8.
8.4.3 因子グラフ ポイントだよ 無向グラフにおけるノードとポテンシャル関数を 変数(○)と因子(■)に分けて記述するグラフ • 同じノード集合に対して複数の因子を用意することが可能 –
この点が無向グラフと異なるため,無向グラフは因子グラフの特殊形 と解釈することが可能 • 無向グラフから因子グラフへの変換例 8
9.
8.4.4 積和アルゴリズム ポイントだよ メッセージパッシングによって任意の確率変数の 周辺分布を効率的に求める手法 • 因子から変数へのメッセージ – 当該変数の子孫(因子)ノードが含まれる全ての因子の積を当該変数以外で周辺化したもの • 変数から因子へのメッセージ –
当該因子の子(変数)ノードの子孫(因子)ノードが含まれる全ての因子の積を当該子(変数) ノード以外で周辺化したもの 𝜇 𝑓𝑠 →𝑥 𝑥 ≡ 図8.47 修正版 𝐹𝑠 𝑥, 𝑿 𝑠 𝑋𝑠 𝐹 𝑙1 𝑥 𝑚 , 𝑋 ※ ここで𝐹𝑠 𝑥, 𝑿 𝑠 は変数集合𝑿 𝑠 を含む因子すべての積 𝑚𝑙1 … … … 𝐹𝑙 𝑥 𝑚 , 𝑋 𝑚𝑙 𝜇𝑥 𝑚 →𝑓 𝑠 𝑥 𝑚 ≡ 𝐺 𝑚 𝑥 𝑚 , 𝑿 𝑠𝑚 𝑋 𝑠𝑚 𝐺 𝑚 𝑥 𝑚 , 𝑿 𝑠𝑚 = 𝐹𝑙 𝑥 𝑚 , 𝑿 𝑙∈ne 𝑥 𝑚 ∖𝑓𝑠 𝑚𝑙 9
10.
8.4.5 max-sumアルゴリズム ポイントだよ メッセージパッシングによって最大の同時確率 およびその確率変数の組を発見する手法 だいたいこんなノリ • 同時確率の最大値が欲しいわー
積和アルゴリズムにおけるsumをmaxに置き換え max-product アルゴリズム • 確率の掛け算たくさんやるとアンダーフロー怖いわー logとって max-sum アルゴリズム • 最大値を与える確率変数が複数あるわー 最大値を与えた確率変数を覚えておいて,最後のノードで最大値を与える変数か らバックトラックする (Viterbiアルゴリズム) 10
11.
8.4.6 一般のグラフにおける厳密推論 ポイントだよ 閉路を持つグラフからジャンクションツリーの作成 することにより,厳密推論を可能とする • ジャンクションツリー –
クリークをノード,共有された変数をリンクとするツリー – 積和アルゴリズムと同等のメッセージパッシングによって推論 ジャンクションツリー リンクを追加 (三角分割) してクリークを作成 A A, B, D (B, D) B D C B, C, D クリークに対応するノードを用意 クリーク間で共有されたノードを リンクとする 11
12.
8.4.7 ループあり確率伝播 ポイントだよ ループを持ったグラフィカルモデルに メッセージパッシングを適用する方法 • ループあり確率伝播 –
問題点: 何度も同じ情報が伝わってしまう – そこでメッセージパッシングのスケジュールをうまく設定する • スケジュール手法の例 – フラッディングスケジュール • 各時刻において両方向にメッセージ送信 – 直列メッセージ • 各時刻において1つのメッセージのみ送信 – 保留メッセージのみ送信 • 保留メッセージ: 他のリンクから受け取っている何らかのメッセージ • 木構造グラフでは両方向に伝達された時点で必ず終了 12
13.
8.4.8 グラフ構造の学習 ポイントだよ グラフ構造の学習を用いた周辺確率の推論には 各構造のエビデンスを利用する • グラフ構造の学習 –
ベイズ的にはグラフ構造の事後分布を利用し,その分布の平均を用 いて予測分布を求める – グラフ構造に対する事前分布 𝑝 𝑚 が与えられていると 𝑝 𝑚 𝐷 ∝ 𝑝 𝑚 𝑝(𝐷|𝑚) • 欠点 – 潜在変数の周辺化が必要であるため,𝑝 𝐷 𝑚 の計算が大変 – グラフ構造の数はノード数に対して指数的に増加するため,探索 も大変 13
14.
補足: (8.89)式のmax関数 • これっていいんだっけ?
という議論 max 𝑝(𝒙) = max ⋯ max 𝑝(𝒙) 𝒙 𝑥1 𝑥𝑀 • 結論: – たぶんよい – max関数は関数から関数への写像 • スカラー値=恒等写像 14
15.
つづく さぁ今日も一日 がんばるぞ 15
Download now