グラフニューラルネットワーク (機械学習プロフェッショナルシリーズ) 作者:佐藤 竜馬講談社Amazon 講談社より『グラフニューラルネットワーク（機械学習プロフェッショナルシリーズ）』を上梓しました。 グラフニューラルネットワークはグラフデータのためのニューラルネットワークです。化合物やソーシャルネットワークのようなグラフデータの解析に使うことができます。また後で述べるように、テキストも画像もグラフなのでテキストや画像の分析にも使えますし、それらを組み合わせたマルチモーダルなデータにも適用できます。要は何にでも使うことができます。この汎用性がグラフニューラルネットワークの大きな強みです。 本稿ではグラフニューラルネットワークを学ぶモチベーションと、本書でこだわったポイントをご紹介します。 グラフニューラルネットワークは何にでも使える 付加情報をグラフとして表現できる グラフニューラルネッ

一昨日、数学における「自明」の意味について ツイート したところ一定の反響がありました。 数学の教科書において「自明」「明らか」といった言葉は頻出でありながら、本文でその意味がちゃんと説明されることは稀で、結果としてそれらの言葉を 誤解 している人や、それらの言葉が使われることに 圧力・反感 を感じる人も一定の割合でいるようです。 この記事では、その言葉の意味を説明すると共に、なぜそれらの言葉が数学において必要であるのかを解説してみたいと思います。 背景三日前、 数学系 YouTuber の数学野郎さんが 「ひろゆきに影響された数学系YouTuber」という（とても面白い）動画を公開していました。 彼はその中で「√2 が無理数であることを証明するには、まず √2 が実数であることを示さなければならない」と主張していました。それに対して「√2 が実数であることは自明であって欲しい」とコメント

まっきー @hyuga_kabocha お～、ついに。 今年度の中学３年の教科書、遺伝の法則の ｢優性｣｢劣性｣ が ｢顕性｣｢潜性｣ になってる。 pic.twitter.com/ywk6ve548T

がん検診の文脈で広く受け入れられている過剰診断の定義は「治療しなくても症状を起こしたり、死亡の原因になったりしない病気を診断すること」である。この定義では、治療が必要かどうかには触れられていないが、治療しなくても症状や死亡の原因にはならないのだから、当然、治療は不要だ。そのため、「過剰診断とは治療が必要ではない病気を診断すること」と説明されるときがある。この説明でも間違ってはいないが、ときに誤解を招きうる。 有効ながん検診でも、がんや前がん病変と診断された中には一定の割合で過剰診断が含まれる。たとえばマンモグラフィーによる乳がん検診では、検診で発見・診断されたがんの15～30％が過剰診断、つまり、治療しなくても症状や死亡の原因にはならないものだ*1。しかし、実際には検診で診断された乳がんはほぼ全例治療されてしまう。なぜなら、診断した時点ではどの乳がんが過剰診断かどうか、区別できないからだ。

こんにちは，株式会社Ridge-iのリサーチチームの@machinery81です． 今回はNeurIPS2020で発表されたデータセットシフトを扱う機械学習に関連する論文を紹介します． 本記事は，Ridge-i主催の論文読み会で発表した以下の資料に基づいています． TL;DR 機械学習におけるデータセットシフト Covariate Shift Target Shift Concept Shift Domain Shift Sample Selection Bias Taxonomy of NeurIPS2020 papers about Dataset Shift 論文紹介 Rethinking Importance Weighting for Deep Learning under Distribution Shift Importance Weighting for Distribut

このサイトは、公益財団法人日本オリンピック委員会（JOC）の公式ホームページの一部です。JOCはスポーツを通じた女性の社会参画・活躍を促進するために、スポーツ団体における女性役員の育成支援を行っています。その取り組みのひとつが本サイト「Sports Woman Career Up」です。

解釈違いだわ。 陰性の方が反社会的で悪って雰囲気がするから病気っぽいのに

@ublftbo @kamezonia 思い切り別の所への反応ですが(^^; 「偽相関」のとこで、「当然ながら両者には相関関係も因果関係もない。」ってありますけど、これって多分、「相関関係はあるが因果関係はない」ですよね？ 亀＠渋研X（リハビリ中） @kamezonia ありゃ。そうなの？　勉強し直します。RT @ublftbo: @kamezonia 思い切り別の所への反応ですが(^^; 「偽相関」のとこで、「当然ながら両者には相関関係も因果関係もない。」ってありますけど、これって多分、「相関関係はあるが因果関係はない」ですよね？

河野太郎防衛相は２４日の記者会見で、新型コロナウイルスに関する政府の説明に片仮名用語が多いとして疑問を呈した。日本語で分かりやすく説明するよう、厚生労働省など関係省庁に求める考えだ。 河野氏は、ロックダウン（都市封鎖）、オーバーシュート（爆発的患者急増）、クラスター（小規模の感染集団）を例に挙げ、「ご年配の方をはじめ『よくわからない』という声は聞く。日本語で言えばいいのではないか」と述べた。 河野氏自身は英語が苦手なわけでなく、国会議員でも指折りの英語力を誇ることで知られている。

今回は基本的なベイズ学習の概念と流れを説明したいと思います。まず始めに、ベイズ学習のすべての基本となる２つの計算規則（和の規則、積の規則）を取り上げます。また、ベイズ学習に関わるややこしい用語たち（データ、尤度関数、事前分布、事後分布、エビデンス、予測分布、などなど）に関しても念のためここで整理しておきたいと思います。そして最後に、簡単な多次元のガウス分布とウィシャート分布を使ったベイズ推論の例を取り上げ、それぞれの用語や概念との具体的な結びつきについて触れたいと思っています。 ・ベイズ学習の基本概念 さて、確率モデルを使ったベイズ推論を行う上で最小限必要なのは次のたった２つの計算ルールです。 <和の規則> <積の規則> は同時分布（joint distribution）、は条件付き分布（conditional distribution）と呼ぶんでした。極端な言い方をしてしまうと、ベイズ推

英語版記事を日本語へ機械翻訳したバージョン（Google翻訳）。 万が一翻訳の手がかりとして機械翻訳を用いた場合、翻訳者は必ず翻訳元原文を参照して機械翻訳の誤りを訂正し、正確な翻訳にしなければなりません。これが成されていない場合、記事は削除の方針G-3に基づき、削除される可能性があります。 信頼性が低いまたは低品質な文章を翻訳しないでください。もし可能ならば、文章を他言語版記事に示された文献で正しいかどうかを確認してください。 履歴継承を行うため、要約欄に翻訳元となった記事のページ名・版について記述する必要があります。記述方法については、Wikipedia:翻訳のガイドライン#要約欄への記入を参照ください。 翻訳後、{{翻訳告知|en|World line|…}}をノートに追加することもできます。 Wikipedia:翻訳のガイドラインに、より詳細な翻訳の手順・指針についての説明があります

つくづく専門用語や業界用語を表すの中国語が最強だと思う。来た当初はなぜ頑なに英語を使わないのかと頭を抱えたけど、二、三文字で意味も完全に表せるの凄い。個人的に感動したのがデフォルト:黙認値、トラッキング:跟踪。長年日本語ではうまく言い表せなかった概念をスパッと言い切っていて爽快。

Whataboutism（ホワットアバウティズム[1]、ワットアバウティズム[2]、ワタバウティズム[3]）は、論法の一種。自身の言動が批判された際に、直接疑問に答えず、“What about ...?”（「じゃあ○○はどうなんだ？」）[1]と、話題をそらすことを指す[4]。いわゆる論点ずらし[注 1]の一種であるとされるが、「こうするのが正しい」という主張を唱える者について、その者自身がそれを行なっていないことによって言及することは、その者が正しくない行為を行う理由があることを証明し、根拠のない達成されづらい理想論を見極めるために妥当な行為であり、詭弁とは言えない。反対に、事実について発言している場合には、その論理は介入する余地がないため詭弁となる。 Whataboutismは、自身の言動を批判された者が、直接疑問に答えるのを避けて話題をそらす論法のことである[4]。いわゆるお前だって論