時系列分析による異常検知入門

More Related Content

What's hot (20)

[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...

[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...

Deep Learning JP

 

2022/02/04 Deep Learning JP: http://deeplearning.jp/seminar-2/

[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

Deep Learning JP

 

2020/03/27 Deep Learning JP: http://deeplearning.jp/seminar-2/

[DL輪読会]Flow-based Deep Generative Models

[DL輪読会]Flow-based Deep Generative Models

Deep Learning JP

 

2019/03/08 Deep Learning JP: http://deeplearning.jp/seminar-2/

Optimizer入門＆最新動向

Optimizer入門＆最新動向

Motokawa Tetsuya

 

4/16に行われた筑波大の手塚若林研合同ゼミでの発表スライドです。

最適輸送の計算アルゴリズムの研究動向

最適輸送の計算アルゴリズムの研究動向

ohken

 

東大数理有志研究会(takamatsu26)、機械学習勉強会(Math-iine Learning)での発表資料.

ゼロから始める深層強化学習（NLP2018講演資料）/ Introduction of Deep Reinforcement Learning

ゼロから始める深層強化学習（NLP2018講演資料）/ Introduction of Deep Reinforcement Learning

Preferred Networks

 

Introduction of Deep Reinforcement Learning, which was presented at domestic NLP conference. 言語処理学会第24回年次大会(NLP2018) での講演資料です。 http://www.anlp.jp/nlp2018/#tutorial

近年のHierarchical Vision Transformer

近年のHierarchical Vision Transformer

Yusuke Uchida

 

物体検出やセグメンテーションタスクに利用可能な階層的Vision Transformerのサーベイ

機械学習モデルの判断根拠の説明

機械学習モデルの判断根拠の説明

Satoshi Hara

 

第20回ステアラボ人工知能セミナー https://stair.connpass.com/event/109983/ 【講演動画】 https://youtu.be/Fgza_C6KphU 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演の前半ではまず近年の代表的な研究について紹介する。後半では、発表者の最近の研究として「ランダムフォレストの簡略化」と「モデル列挙」について紹介する。

【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features

【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features

ARISE analytics

 

論文「Deep Clustering for Unsupervised Learning of Visual Features」について輪読した際の資料です。

One Class SVMを用いた異常値検知

One Class SVMを用いた異常値検知

Yuto Mori

 

Anomaly detection using One Class SVM

GAN（と強化学習との関係）

GAN（と強化学習との関係）

Masahiro Suzuki

 

This document discusses generative adversarial networks (GANs) and their relationship to reinforcement learning. It begins with an introduction to GANs, explaining how they can generate images without explicitly defining a probability distribution by using an adversarial training process. The second half discusses how GANs are related to actor-critic models and inverse reinforcement learning in reinforcement learning. It explains how GANs can be viewed as training a generator to fool a discriminator, similar to how policies are trained in reinforcement learning.

「世界モデル」と関連研究について

「世界モデル」と関連研究について

Masahiro Suzuki

 

強化学習アーキテクチャ勉強会の資料

SSII2019OS: 深層学習にかかる時間を短くしてみませんか？ ～分散学習の勧め～

SSII2019OS: 深層学習にかかる時間を短くしてみませんか？ ～分散学習の勧め～

SSII

 

SSII2019 オーガナイズドセッション3「深層学習の高速化 ～高速チップ、分散学習、軽量モデル～」 6月14日(金) 10:35〜12:05 (メインホール)

【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)

【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)

Deep Learning JP

 

This document summarizes recent research on applying self-attention mechanisms from Transformers to domains other than language, such as computer vision. It discusses models that use self-attention for images, including ViT, DeiT, and T2T, which apply Transformers to divided image patches. It also covers more general attention modules like the Perceiver that aims to be domain-agnostic. Finally, it discusses work on transferring pretrained language Transformers to other modalities through frozen weights, showing they can function as universal computation engines.

機械学習による統計的実験計画（ベイズ最適化を中心に）

機械学習による統計的実験計画（ベイズ最適化を中心に）

Kota Matsui

 

ベイズ最適化を中心とした能動学習のためのモデリングやアルゴリズムの解説，適用例の紹介

Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料

Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料

Yusuke Uchida

 

第9回全日本コンピュータビジョン勉強会「ICCV2021論文読み会」の発表資料です https://kantocv.connpass.com/event/228283/ ICCV'21 Best PaperであるSwin Transformerを完全に理解するためにふんだんに余談を盛り込んだ資料となります

深層学習の不確実性 - Uncertainty in Deep Neural Networks -

深層学習の不確実性 - Uncertainty in Deep Neural Networks -

tmtm otm

 

Twitter: ottamm_190 追記 2022/4/24 speakerdeck版：https://speakerdeck.com/masatoto/shen-ceng-xue-xi-falsebu-que-shi-xing-uncertainty-in-deep-neural-networks コンパクト版：https://speakerdeck.com/masatoto/shen-ceng-xue-xi-niokerubu-que-shi-xing-ru-men

異常検知と変化検知 9章 部分空間法による変化点検知

異常検知と変化検知 9章 部分空間法による変化点検知

hagino 3000

 

機械学習プロフェッショナルシリーズ輪読回の資料 2015-11-18 異常検知と変化検知 井手剛／杉山将・著 http://www.kspub.co.jp/book/detail/1529083.html

【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces

【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces

Deep Learning JP

 

This document summarizes a research paper on modeling long-range dependencies in sequence data using structured state space models and deep learning. The proposed S4 model (1) derives recurrent and convolutional representations of state space models, (2) improves long-term memory using HiPPO matrices, and (3) efficiently computes state space model convolution kernels. Experiments show S4 outperforms existing methods on various long-range dependency tasks, achieves fast and memory-efficient computation comparable to efficient Transformers, and performs competitively as a general sequence model.

Bayes Independence Test - HSIC と性能を比較する-

Bayes Independence Test - HSIC と性能を比較する-

Joe Suzuki

 

人工知能学会基本問題研究会(宮古島) 2014 年3 月3 日

[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...

[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...

Deep Learning JP

 

[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

Deep Learning JP

 

[DL輪読会]Flow-based Deep Generative Models

[DL輪読会]Flow-based Deep Generative Models

Deep Learning JP

 

Optimizer入門＆最新動向

Optimizer入門＆最新動向

Motokawa Tetsuya

 

最適輸送の計算アルゴリズムの研究動向

最適輸送の計算アルゴリズムの研究動向

ohken

 

ゼロから始める深層強化学習（NLP2018講演資料）/ Introduction of Deep Reinforcement Learning

ゼロから始める深層強化学習（NLP2018講演資料）/ Introduction of Deep Reinforcement Learning

Preferred Networks

 

近年のHierarchical Vision Transformer

近年のHierarchical Vision Transformer

Yusuke Uchida

 

機械学習モデルの判断根拠の説明

機械学習モデルの判断根拠の説明

Satoshi Hara

 

【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features

【論文読み会】Deep Clustering for Unsupervised Learning of Visual Features

ARISE analytics

 

One Class SVMを用いた異常値検知

One Class SVMを用いた異常値検知

Yuto Mori

 

GAN（と強化学習との関係）

GAN（と強化学習との関係）

Masahiro Suzuki

 

「世界モデル」と関連研究について

「世界モデル」と関連研究について

Masahiro Suzuki

 

SSII2019OS: 深層学習にかかる時間を短くしてみませんか？ ～分散学習の勧め～

SSII2019OS: 深層学習にかかる時間を短くしてみませんか？ ～分散学習の勧め～

SSII

 

【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)

【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)

Deep Learning JP

 

機械学習による統計的実験計画（ベイズ最適化を中心に）

機械学習による統計的実験計画（ベイズ最適化を中心に）

Kota Matsui

 

Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料

Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料

Yusuke Uchida

 

深層学習の不確実性 - Uncertainty in Deep Neural Networks -

深層学習の不確実性 - Uncertainty in Deep Neural Networks -

tmtm otm

 

異常検知と変化検知 9章 部分空間法による変化点検知

異常検知と変化検知 9章 部分空間法による変化点検知

hagino 3000

 

【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces

【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces

Deep Learning JP

 

Bayes Independence Test - HSIC と性能を比較する-

Bayes Independence Test - HSIC と性能を比較する-

Joe Suzuki

 

Viewers also liked (20)

機械学習を用いた異常検知入門

機械学習を用いた異常検知入門

michiaki ito

 

oscセミナー発表資料です。誤字は気にしないでください。 口頭で説明を足したところがあるため、曖昧な説明となっている箇所があったりします、ごめんなさい。

FIT2012招待講演「異常検知技術のビジネス応用最前線」

FIT2012招待講演「異常検知技術のビジネス応用最前線」

Shohei Hido

 

FIT2012で行われた「ビジネスで生きる機械学習技術」セッションの招待講演資料です。 http://www.ipsj.or.jp/event/fit/fit2012/program/data/html/event/event_A-7.html 【講演概要】 世の中で得られる知見の多くは、何らかの観測対象の時間変化や、観測対象グループにおける珍しい個体の出現を捉えたものと考えることができます。特に急速な変化や異常な個体の検出するための異常検知技術は、ビジネスにおけるデータ収集・蓄積インフラの浸透とともに応用が広がっています。従来は、蓄積されたデータを目で見て確認する、閾値を設けてアラートを出す、あるいは経験に基づいて異常パターンをルール化する、などのアプローチが主流でした。しかしながら、収集できるデータの変数と量が飛躍的に増大する中で、比較的単純かつ過去に起きた異常のみ扱えるルールベース手法では不十分である場合が増えてきました。そこで最近研究と応用が進んでいるのが統計ベースと言われる最新のデータ解析技術を使ったアプローチであり、機械学習が中心的な役割を果たしています。その強みは未知の異常も扱えること、大量のデータを効率的に扱えること、可視化では人間が捉えられない複雑な隠れた異常も検出可能であることなどがあります。本講演では、実世界の異常検知問題を分類したあと、それぞれにおいて最近用いられている代表的な機械学習手法を説明し、実際のビジネスケースを紹介します。

Anomaly detection in deep learning

Anomaly detection in deep learning

Adam Gibson

 

Anomaly detection in deep learning can be used for fraud detection by finding abnormal patterns in data like bad credit card transactions or fake locations. Deep learning is well-suited for anomaly detection because it can learn complex patterns from large amounts of data, represent its own features that are robust to noise, and learn cross-domain patterns. Techniques for anomaly detection include unsupervised methods using autoencoder reconstruction error and supervised methods using RNNs to learn from labeled time series data and predict anomalies. Production systems for anomaly detection can use streaming data from sources like Kafka with neural networks consuming the streaming updates.

Jubatus Casual Talks #2 異常検知入門

Jubatus Casual Talks #2 異常検知入門

Shohei Hido

 

2013/12/14 Jubatus Casual Talks #2 異常検知入門の資料です。

20160924 東京R #57　色々試した変化点検知　異常値検知

20160924 東京R #57　色々試した変化点検知　異常値検知

siro yui

 

変化点検知をRのライブラリーで 試した結果の内容

R実践 機械学習による異常検知 02

R実践 機械学習による異常検知 02

akira_11

 

★ページの表示が乱れる場合はダウンロードしてご利用ください。 ★ダウンロードしたファイルは表示順は正常です。

異常検知と変化検知　7章方向データの異常検知

異常検知と変化検知　7章方向データの異常検知

智文 中野

 

機械学習プロフェッショナルシリーズ輪読会

R実践 機械学習による異常検知 01

R実践 機械学習による異常検知 01

akira_11

 

・題材は井手氏の著書『入門 機械学習による異常検知　Rによる実践ガイド』。

Strata Beijing 2017: Jumpy, a python interface for nd4j

Strata Beijing 2017: Jumpy, a python interface for nd4j

Adam Gibson

 

GPUs should complement, not replace, the Hadoop ecosystem for big data workloads. Replacing the entire big data stack would be too costly. The presenter believes GPUs are best suited for accelerated computation and a few other use cases to gain an initial foothold in the market. Existing Python interfaces to machine learning frameworks rely too heavily on network communication and serialization, introducing significant overhead. Nd4j and Jumpy provide alternatives that use direct C++ interfaces and pointers for lower latency between Python and deep learning operations on CPU and GPU.

Tokyo r15 異常検知入門

Tokyo r15 異常検知入門

Yohei Sato

 

[Ｒ勉強会][データマイニング] R言語による時系列分析

[Ｒ勉強会][データマイニング] R言語による時系列分析

Koichi Hamada

 

第4回R勉強会＠東京(10/4/24)の講師資料です。hamadakoichi R言語による時系列分析。

異常行動検出入門 – 行動データ時系列のデータマイニング –

異常行動検出入門 – 行動データ時系列のデータマイニング –

Yohei Sato

 

異常検知と変化検知 第4章 近傍法による異常検知

異常検知と変化検知 第4章 近傍法による異常検知

Ken'ichi Matsui

 

機械学習プロフェッショナルシリーズ勉強会 #6 輪読会資料 異常検知と変化検知 第４章 「近傍法による異常検知」

ユーザ・エクスペリエンスからソーシャル・エクスペリエンスへ：現代ネットビジネスから読み解く「人間」「コンピュータ」「サービス」とは何か (in Japan...

ユーザ・エクスペリエンスからソーシャル・エクスペリエンスへ：現代ネットビジネスから読み解く「人間」「コンピュータ」「サービス」とは何か (in Japan...

Toshihiko Yamakami

 

ユーザ・エクスペリエンスからソーシャル・エクスペリエンスへ：現代ネットビジネスから読み解く「人間」「コンピュータ」「サービス」とは何か a1703 1211talk-ux2sx-ipsj-gn-170327 [改版履歴] 170327 2012年11月情報処理学会GN研究会20周年シンポジウム招待講演改題

Anomaly detection in deep learning (Updated) English

Anomaly detection in deep learning (Updated) English

Adam Gibson

 

This document discusses anomaly detection in deep learning. It begins by defining what an anomaly is, such as abnormal patterns in data for fraud detection. It then discusses techniques for anomaly detection using unsupervised autoencoders and supervised recurrent neural networks. Finally, it provides an example reference architecture for an anomaly detection pipeline that ingests data from external sources using NiFi, sends it to Kafka, makes predictions using deep learning models, indexes predictions in Elasticsearch using Logstash, and renders the data in Kibana.

前回のCasual Talkでいただいたご要望に対する進捗状況

前回のCasual Talkでいただいたご要望に対する進捗状況

JubatusOfficial

 

まだCPUで消耗してるの？Jubatusによる近傍探索のGPUを利用した高速化

まだCPUで消耗してるの？Jubatusによる近傍探索のGPUを利用した高速化

JubatusOfficial

 

GPUをりようしてJubatusの近傍探索を高速化する

Jubatus解説本の紹介

Jubatus解説本の紹介

JubatusOfficial

 

第5回Jubatusハンズオンで使用したJubatus本の紹介スライド。 個人的なオススメポイントを紹介

新機能紹介 1.0.6

新機能紹介 1.0.6

JubatusOfficial

 

2017年11月1日 第5回Jubatusハンズオンで使用した説明資料。

新聞から今年の漢字を予測する

新聞から今年の漢字を予測する

JubatusOfficial

 

新聞から今年の漢字を予測する

機械学習を用いた異常検知入門

機械学習を用いた異常検知入門

michiaki ito

 

FIT2012招待講演「異常検知技術のビジネス応用最前線」

FIT2012招待講演「異常検知技術のビジネス応用最前線」

Shohei Hido

 

Anomaly detection in deep learning

Anomaly detection in deep learning

Adam Gibson

 

Jubatus Casual Talks #2 異常検知入門

Jubatus Casual Talks #2 異常検知入門

Shohei Hido

 

20160924 東京R #57　色々試した変化点検知　異常値検知

20160924 東京R #57　色々試した変化点検知　異常値検知

siro yui

 

R実践 機械学習による異常検知 02

R実践 機械学習による異常検知 02

akira_11

 

異常検知と変化検知　7章方向データの異常検知

異常検知と変化検知　7章方向データの異常検知

智文 中野

 

R実践 機械学習による異常検知 01

R実践 機械学習による異常検知 01

akira_11

 

Strata Beijing 2017: Jumpy, a python interface for nd4j

Strata Beijing 2017: Jumpy, a python interface for nd4j

Adam Gibson

 

Tokyo r15 異常検知入門

Tokyo r15 異常検知入門

Yohei Sato

 

[Ｒ勉強会][データマイニング] R言語による時系列分析

[Ｒ勉強会][データマイニング] R言語による時系列分析

Koichi Hamada

 

異常行動検出入門 – 行動データ時系列のデータマイニング –

異常行動検出入門 – 行動データ時系列のデータマイニング –

Yohei Sato

 

異常検知と変化検知 第4章 近傍法による異常検知

異常検知と変化検知 第4章 近傍法による異常検知

Ken'ichi Matsui

 

ユーザ・エクスペリエンスからソーシャル・エクスペリエンスへ：現代ネットビジネスから読み解く「人間」「コンピュータ」「サービス」とは何か (in Japan...

ユーザ・エクスペリエンスからソーシャル・エクスペリエンスへ：現代ネットビジネスから読み解く「人間」「コンピュータ」「サービス」とは何か (in Japan...

Toshihiko Yamakami

 

Anomaly detection in deep learning (Updated) English

Anomaly detection in deep learning (Updated) English

Adam Gibson

 

前回のCasual Talkでいただいたご要望に対する進捗状況

前回のCasual Talkでいただいたご要望に対する進捗状況

JubatusOfficial

 

まだCPUで消耗してるの？Jubatusによる近傍探索のGPUを利用した高速化

まだCPUで消耗してるの？Jubatusによる近傍探索のGPUを利用した高速化

JubatusOfficial

 

Jubatus解説本の紹介

Jubatus解説本の紹介

JubatusOfficial

 

新機能紹介 1.0.6

新機能紹介 1.0.6

JubatusOfficial

 

新聞から今年の漢字を予測する

新聞から今年の漢字を予測する

JubatusOfficial

 

Similar to 時系列分析による異常検知入門 (14)

Deep Learning Lab 異常検知入門

Deep Learning Lab 異常検知入門

Shohei Hido

 

2018/02/14 Deep Learning Lab 異常検知ナイト 「異常検知入門」発表資料です https://dllab.connpass.com/event/77248/

順序データでもベイズモデリング

順序データでもベイズモデリング

. .

 

第46回東京R勉強会 #TokyoRの資料です。

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

 

実践セミナー

異常検知と変化検知で復習するPRML

異常検知と変化検知で復習するPRML

Katsuya Ito

 

MLPシリーズの赤い本異常検知と変化検知で、 パターン認識と機械学習を復習します。 ホテリングのt2・ナイーブベイズ・kNN・SVM・混合分布・ガウス過程などを復習します。

続・わかりやすいパターン認識 第7章「マルコフモデル」

続・わかりやすいパターン認識 第7章「マルコフモデル」

T T

 

続・わかりやすいパターン認識 第7章「マルコフモデル」

ma99992010id464

ma99992010id464

matsushimalab

 

Survival analysis0702

Survival analysis0702

Nobuaki Oshiro

 

Survival analysis

20110909 品質シンポジウム2011発表資料

20110909 品質シンポジウム2011発表資料

Kenichiro Nakajima

 

Anomaly detection and change detection - sparse structure analysis -

Anomaly detection and change detection - sparse structure analysis -

X 37

 

learn sparse structure from data and extract anomaly score

Survival analysis0702 2

Survival analysis0702 2

Nobuaki Oshiro

 

Survival analysis0702 2

20160713 srws第六回@メタ・アナリシス前半

20160713 srws第六回@メタ・アナリシス前半

SR WS

 

滋賀医科大学での系統的レビュー研究計画書作成ワークショップの第六回の前半のスライドです。

GTMF 2015: バグを減らそう。テストを楽にしよう。静的解析が開発者を救う。 | 日本シノプシス合同会社

GTMF 2015: バグを減らそう。テストを楽にしよう。静的解析が開発者を救う。 | 日本シノプシス合同会社

Game Tools & Middleware Forum

 

多くのユーザーが参加するゲームの開発者にとって、リリース後のバグ発生ほど怖いものはありません。課金やアイテムなど重要な機能に関わる問題や、セキュリティ問題など一度発生するとその対応には非常に多くの時間と労力を費やさなければなりません。また、このような問題発生を抑えるために計画するテストも膨大なものになります。 本セッションでは、既に多くのゲーム開発の現場で活用いただいている、ソースコード静的解析技術をご紹介するとともに、開発の現場での利用方法やバグ削減の効果を解説します。 ---- 雨宮 吉秀 コベリティグループ マーケティング&ビジネスデベロップメント シニアマネージャー 2009年より静的解析ツールの市場開拓に携わり、2013年より現職。C言語はK&R初版で学んだ元プログラマ。 日本シノプシス合同会社 http://www.coverity.com/html_ja/

三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介

三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介

Ryohei Ueda

 

三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介

Sakusaku svm

Sakusaku svm

antibayesian 俺がS式だ

 

Deep Learning Lab 異常検知入門

Deep Learning Lab 異常検知入門

Shohei Hido

 

順序データでもベイズモデリング

順序データでもベイズモデリング

. .

 

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

 

異常検知と変化検知で復習するPRML

異常検知と変化検知で復習するPRML

Katsuya Ito

 

続・わかりやすいパターン認識 第7章「マルコフモデル」

続・わかりやすいパターン認識 第7章「マルコフモデル」

T T

 

ma99992010id464

ma99992010id464

matsushimalab

 

Survival analysis0702

Survival analysis0702

Nobuaki Oshiro

 

20110909 品質シンポジウム2011発表資料

20110909 品質シンポジウム2011発表資料

Kenichiro Nakajima

 

Anomaly detection and change detection - sparse structure analysis -

Anomaly detection and change detection - sparse structure analysis -

X 37

 

Survival analysis0702 2

Survival analysis0702 2

Nobuaki Oshiro

 

20160713 srws第六回@メタ・アナリシス前半

20160713 srws第六回@メタ・アナリシス前半

SR WS

 

GTMF 2015: バグを減らそう。テストを楽にしよう。静的解析が開発者を救う。 | 日本シノプシス合同会社

GTMF 2015: バグを減らそう。テストを楽にしよう。静的解析が開発者を救う。 | 日本シノプシス合同会社

Game Tools & Middleware Forum

 

三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介

三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介

Ryohei Ueda

 

Sakusaku svm

Sakusaku svm

antibayesian 俺がS式だ

 

More from Yohei Sato (20)

Tokyor60 r data_science_part1

Tokyor60 r data_science_part1

Yohei Sato

 

Tokyo.R#60 初心者セッション

Tokyor60 opening

Tokyor60 opening

Yohei Sato

 

Tokyor60 Opening

Tokyor45 カーネル多変量解析第２章 カーネル多変量解析の仕組み

Tokyor45 カーネル多変量解析第２章 カーネル多変量解析の仕組み

Yohei Sato

 

Tokyor42_r_datamining_18

Tokyor42_r_datamining_18

Yohei Sato

 

Point of view when analyzing

Tokyor42 ggplot2

Tokyor42 ggplot2

Yohei Sato

 

Tokyor39 yokkuns

Tokyor39 yokkuns

Yohei Sato

 

EasyHtmlReportの紹介

EasyHtmlReportの紹介

Yohei Sato

 

20131206 japan r

20131206 japan r

Yohei Sato

 

Tokyor35 人工データの発生

Tokyor35 人工データの発生

Yohei Sato

 

ドリコムの分析環境とデータサイエンス活用事例

ドリコムの分析環境とデータサイエンス活用事例

Yohei Sato

 

R言語で学ぶマーケティング分析 競争ポジショニング戦略

R言語で学ぶマーケティング分析 競争ポジショニング戦略

Yohei Sato

 

Rでレポートメール

Rでレポートメール

Yohei Sato

 

Rで階層ベイズモデル

Rで階層ベイズモデル

Yohei Sato

 

Rでピボットテーブル

Rでピボットテーブル

Yohei Sato

 

第３回Japan rパネルディスカッション

第３回Japan rパネルディスカッション

Yohei Sato

 

Tokyor26 data fusion

Tokyor26 data fusion

Yohei Sato

 

Tokyor24 yokkuns

Tokyor24 yokkuns

Yohei Sato

 

Tokyowebmining19 data fusion

Tokyowebmining19 data fusion

Yohei Sato

 

傾向スコア解析とUplift Modelling

傾向スコア解析とUplift Modelling

Yohei Sato

 

Complex network ws_percolation

Complex network ws_percolation

Yohei Sato

 

Tokyor60 r data_science_part1

Tokyor60 r data_science_part1

Yohei Sato

 

Tokyor60 opening

Tokyor60 opening

Yohei Sato

 

Tokyor45 カーネル多変量解析第２章 カーネル多変量解析の仕組み

Tokyor45 カーネル多変量解析第２章 カーネル多変量解析の仕組み

Yohei Sato

 

Tokyor42_r_datamining_18

Tokyor42_r_datamining_18

Yohei Sato

 

Tokyor42 ggplot2

Tokyor42 ggplot2

Yohei Sato

 

Tokyor39 yokkuns

Tokyor39 yokkuns

Yohei Sato

 

EasyHtmlReportの紹介

EasyHtmlReportの紹介

Yohei Sato

 

20131206 japan r

20131206 japan r

Yohei Sato

 

Tokyor35 人工データの発生

Tokyor35 人工データの発生

Yohei Sato

 

ドリコムの分析環境とデータサイエンス活用事例

ドリコムの分析環境とデータサイエンス活用事例

Yohei Sato

 

R言語で学ぶマーケティング分析 競争ポジショニング戦略

R言語で学ぶマーケティング分析 競争ポジショニング戦略

Yohei Sato

 

Rでレポートメール

Rでレポートメール

Yohei Sato

 

Rで階層ベイズモデル

Rで階層ベイズモデル

Yohei Sato

 

Rでピボットテーブル

Rでピボットテーブル

Yohei Sato

 

第３回Japan rパネルディスカッション

第３回Japan rパネルディスカッション

Yohei Sato

 

Tokyor26 data fusion

Tokyor26 data fusion

Yohei Sato

 

Tokyor24 yokkuns

Tokyor24 yokkuns

Yohei Sato

 

Tokyowebmining19 data fusion

Tokyowebmining19 data fusion

Yohei Sato

 

傾向スコア解析とUplift Modelling

傾向スコア解析とUplift Modelling

Yohei Sato

 

Complex network ws_percolation

Complex network ws_percolation

Yohei Sato

 

Recently uploaded (11)

ラズパイを使って作品を作ったらラズパイコンテストでKSY賞を貰って、さらに、文化庁メディア芸術祭で審査員推薦作品に選ばれてしまった件〜自作チップでラズパイ...

ラズパイを使って作品を作ったらラズパイコンテストでKSY賞を貰って、さらに、文化庁メディア芸術祭で審査員推薦作品に選ばれてしまった件〜自作チップでラズパイ...

Industrial Technology Research Institute (ITRI)(工業技術研究院, 工研院)

 

フェニテックのシャトルを使って作成した自作チップを使って、ラズパイHATを作ってみました。

空間オーディオを用いたヘッドパスワードの提案と音源提示手法の最適化

空間オーディオを用いたヘッドパスワードの提案と音源提示手法の最適化

sugiuralab

 

近年、音声アシスタントやバイタルデータの計測などの機能を搭載したイヤフォン型のウェアラブルデバイスであるヒアラブルデバイスが注目されている。これらの機能を悪用して、他者の個人情報や機密情報に不正にアクセスすることを防ぐために、ヒアラブルデバイス向けの認証システムが必要とされ、多くの研究が進められている。しかし、既存の研究は、生体情報を用いたものが多く、生体情報の変化や保存への懸念などの問題を抱えている。そこで、我々は、空間音響技術とヘッドジェスチャを用いた知識ベースの認証システムを提案する。具体的には、音源の組合せをパスワードとし、空間的に提示される音源をヘッドトラッキングと歯の噛み合わせ音で選択することにより認証を行う。

実はアナタの身近にある！？ Linux のチェックポイント／レストア機能 (NTT Tech Conference 2025 発表資料)

実はアナタの身近にある！？ Linux のチェックポイント／レストア機能 (NTT Tech Conference 2025 発表資料)

NTT DATA Technology & Innovation

 

実はアナタの身近にある！？ Linux のチェックポイント／レストア機能 (NTT Tech Conference 2025 発表資料) 2025年3月5日(水) NTTデータグループ Innovation技術部 末永 恭正

【卒業論文】深層学習によるログ異常検知モデルを用いたサイバー攻撃検知に関する研究

【卒業論文】深層学習によるログ異常検知モデルを用いたサイバー攻撃検知に関する研究

harmonylab

 

エンドポイントセキュリティのための過検知の少ないログ攻撃検知手法の作成

2025フードテックWeek大阪展示会 - LoRaWANを使った複数ポイント温度管理 by AVNET玉井部長

2025フードテックWeek大阪展示会 - LoRaWANを使った複数ポイント温度管理 by AVNET玉井部長

CRI Japan, Inc.

 

2025フードテックWeek大阪展示会 -LoRaWANを使った複数ポイント温度管理 by AVNET玉井部長作成

HarukiShinkawa_LLMを利用した果樹農家の経験知の対話的蓄積支援_deim2025

HarukiShinkawa_LLMを利用した果樹農家の経験知の対話的蓄積支援_deim2025

Matsushita Laboratory

 

LF Decentralized Trust Tokyo Meetup 3

LF Decentralized Trust Tokyo Meetup 3

LFDT Tokyo Meetup

 

講演者：LF Japan エバンジェリスト 藤本 真吾氏 2025年3月4日開催 LFDT Tokyo Meetupで講演

NodaItsuki_反省観点の分類に基づく試合の振り返り支援システムに関する有用性検証_DEIM2025

NodaItsuki_反省観点の分類に基づく試合の振り返り支援システムに関する有用性検証_DEIM2025

Matsushita Laboratory

 

本研究の目的は，チームスポーツの選手が試合後に行う振り返りを支援することである． 試合内容を振り返り反省点を認識することは，ミスの繰り返しを防いだり，プレー中の判断精度を向上させたりする上で重要である． しかし，チームスポーツでは，個人の行動だけでなく，展開に応じた位置取りや選手間の連携などチーム全体の状況を意識する必要があり，考慮すべき項目が多く反省点を系統立てて言語化することは容易ではない． そこで，反省内容をタイプ分けし，項目ごとに反省点を言語化できるように支援することで，この解決を試みた． 提案システムの有用性を検証するため，選手の動きが複雑化している傾向にあるスポーツであるサッカーを対象とし，サッカー経験者12名を対象に，システムを利用して試合内容を振り返る様子を観察した． その結果，反省観点の提示が反省内容の具体化や，多角的な視点からの反省の促進に寄与することが示唆された．

【卒業論文】LLMを用いたMulti-Agent-Debateにおける反論の効果に関する研究

【卒業論文】LLMを用いたMulti-Agent-Debateにおける反論の効果に関する研究

harmonylab

 

近年の生成 AI の活用の拡大とともに, 大規模言語モデル(LLM)の推論能力 の向上や, 人間にとって推論過程が理解しやすい出力を行うように様々な手法が提案されてきた. 本研究では, LLM の推論能力向上手法としての MAD に着目 し, 既存の MAD フレームワークに対して人間の議論では一般的に使用される反論を導入することを提案した. 本研究の反論の導入により, フィードバック内容の多様化や推論過程を明確にすることができることを示した.

測距センサとIMUセンサを用いた指輪型デバイスにおける顔認証システムの提案

測距センサとIMUセンサを用いた指輪型デバイスにおける顔認証システムの提案

sugiuralab

 

スマートリングは，主に決済やスマートロックなどに利用できる便利なウェアラブルデバイスであるが，個人認証機能の搭載例は少なくセキュリティ上の懸念が残されている．心拍数や動作特性を利用する認証では，認証に時間がかかるなどの問題があり，指紋認証や顔認証もデバイスのサイズや消費電力，プライバシーの問題が課題となっている．そこで，我々は測距センサとIMUセンサを搭載した指輪型デバイスを用いることで，スマートリングに搭載可能なほど小型かつ省電力で，カメラ不使用によりプライバシーリスクを低減した顔認証システムを提案する．

第1回日本理学療法推論学会学術大会での発表資料（2025年3月2日　高橋可奈恵）

第1回日本理学療法推論学会学術大会での発表資料（2025年3月2日　高橋可奈恵）

Matsushita Laboratory

 

理学療法における統合と解釈（アセスメント）文の可視化に関する報告

ラズパイを使って作品を作ったらラズパイコンテストでKSY賞を貰って、さらに、文化庁メディア芸術祭で審査員推薦作品に選ばれてしまった件〜自作チップでラズパイ...

ラズパイを使って作品を作ったらラズパイコンテストでKSY賞を貰って、さらに、文化庁メディア芸術祭で審査員推薦作品に選ばれてしまった件〜自作チップでラズパイ...

Industrial Technology Research Institute (ITRI)(工業技術研究院, 工研院)

 

空間オーディオを用いたヘッドパスワードの提案と音源提示手法の最適化

空間オーディオを用いたヘッドパスワードの提案と音源提示手法の最適化

sugiuralab

 

実はアナタの身近にある！？ Linux のチェックポイント／レストア機能 (NTT Tech Conference 2025 発表資料)

実はアナタの身近にある！？ Linux のチェックポイント／レストア機能 (NTT Tech Conference 2025 発表資料)

NTT DATA Technology & Innovation

 

【卒業論文】深層学習によるログ異常検知モデルを用いたサイバー攻撃検知に関する研究

【卒業論文】深層学習によるログ異常検知モデルを用いたサイバー攻撃検知に関する研究

harmonylab

 

2025フードテックWeek大阪展示会 - LoRaWANを使った複数ポイント温度管理 by AVNET玉井部長

2025フードテックWeek大阪展示会 - LoRaWANを使った複数ポイント温度管理 by AVNET玉井部長

CRI Japan, Inc.

 

HarukiShinkawa_LLMを利用した果樹農家の経験知の対話的蓄積支援_deim2025

HarukiShinkawa_LLMを利用した果樹農家の経験知の対話的蓄積支援_deim2025

Matsushita Laboratory

 

LF Decentralized Trust Tokyo Meetup 3

LF Decentralized Trust Tokyo Meetup 3

LFDT Tokyo Meetup

 

NodaItsuki_反省観点の分類に基づく試合の振り返り支援システムに関する有用性検証_DEIM2025

NodaItsuki_反省観点の分類に基づく試合の振り返り支援システムに関する有用性検証_DEIM2025

Matsushita Laboratory

 

【卒業論文】LLMを用いたMulti-Agent-Debateにおける反論の効果に関する研究

【卒業論文】LLMを用いたMulti-Agent-Debateにおける反論の効果に関する研究

harmonylab

 

測距センサとIMUセンサを用いた指輪型デバイスにおける顔認証システムの提案

測距センサとIMUセンサを用いた指輪型デバイスにおける顔認証システムの提案

sugiuralab

 

第1回日本理学療法推論学会学術大会での発表資料（2025年3月2日　高橋可奈恵）

第1回日本理学療法推論学会学術大会での発表資料（2025年3月2日　高橋可奈恵）

Matsushita Laboratory