Joint Inverted Indexing
2. è«–æ–‡ Title : Joint Inverted Indexing Author: Yan Xia, Fang Wen (University of Science and Technology of China), Kaiming He, Jian Sun (Microsoft Research Asia) 2 3. è«–æ–‡ Title : Joint Inverted Indexing å¦ç”Ÿï¼Žå¤šåˆ†MSRAã§ã‚¤ãƒ³ ターンã§è¡Œã£ãŸç ”究 Author: Yan Xia, Fang Wen (University of Science and Technology of China), Kaiming He, Jian Sun (Microsoft Research Asia) 3 4. è«–æ–‡ Title : Joint Inverted Indexing å¦ç”Ÿï¼Žå¤šåˆ†MSRAã§ã‚¤ãƒ³ ター
Statistical Semantic入門 ~分布仮説ã‹ã‚‰word2vecã¾ã§~
1. The document discusses various statistical and neural network-based models for representing words and modeling semantics, including LSI, PLSI, LDA, word2vec, and neural network language models. 2. These models represent words based on their distributional properties and contexts using techniques like matrix factorization, probabilistic modeling, and neural networks to learn vector representatio
Lp Boost
3. æ¦‚è¦ Adaboost LPBoost - 最é©æ³• (Column Generation Algorithm) 応用 - 人㮠HIV 薬剤è€æ€§ã‚’予測 4. 今回紹介ã™ã‚‹è«–æ–‡ Soft Margins for AdaBoost,Ratsch et al,JMLR Sparse Regression Ensembles in Infinite and Finite Hypothesis Spaces, Ratsch et al,JMLR Linear Programming Boosting via Column Generation, Demiriz et al, JMLR Mining complex genotypic features for predicting HIV-1 drug resistance,Saigo et al, Bioinformatics 5. Boos
Deep Learning技術ã®ä»Š
2. ⾃自⼰己紹介 lï¬ å¾—å±… Â èª ä¹Ÿ  (Seiya  Tokui) æ ªå¼ä¼šç¤¾Preferred  Infrastructure,  Jubatus  Pj.  リサーãƒãƒ£ãƒ¼ lï¬ å°‚â¾¨é–€ã¯æ©Ÿæ¢°å¦ç¿’（修⼠士ã€ç¾è·ï¼‰ lï¬ â€“ 系列列ラベリング→ãƒãƒƒã‚·ãƒ¥ãƒ»è¿‘å‚探索索→深層å¦ç¿’ lï¬ ä»Šã®èˆˆå‘³ã¯æ·±å±¤å¦ç¿’ã€è¡¨ç¾å¦ç¿’ã€åˆ†æ•£å¦ç¿’ã€æ˜ åƒè§£æž lï¬ @beam2d  (Twitter,  Github,  etc.) 2 /  47 3. 2011年年:  ⾳音声èªè˜ï§¼ã«ãŠã‘ã‚‹æˆåŠŸ lï¬ lï¬ 3 /  47 DNN-â€â€‘‒HMM  を使ã£ãŸâ¼¿æ‰‹æ³•ãŒã€â¾³éŸ³å£°èªè˜ï§¼ã®  word  error  rate  ã§å¾“æ¥ æ³•  (GMM)  より  10%  å‰å¾Œã‚‚改善 æºå¸¯ç«¯æœ«ã«ãŠã‘る⾳音声æ“作㫠 Deep  Learning  ãŒåˆ©ï§â½¤ç”¨ã•ã‚Œã‚‹ã‚ˆã†ã« F. Seide, G. Li and D. Yu.
ã€è«–文紹介】Approximate Bayesian Image Interpretation Using Generative Probabilistic Graphics Programs
2014/1/23ã«è¡Œã‚ã‚ŒãŸNIPS2013èªã¿ä¼šã®ç™ºè¡¨è³‡æ–™ã§ã™ã€‚ 論文：V.Mansinghka, T.D,Kulkarni, Y.N.Perov, J.Tenenbaum: Approximate Bayesian Image Interpretation Using Generative Probabilistic Graphics Programs ã®è§£èª¬ã§ã™ã€‚Read less
全脳アーã‚テクãƒãƒ£å‹‰å¼·ä¼š 第１回（山å·ï¼‰
4. 全脳アーã‚(WBA)ã¯äººé–“的知能ã®å°‘ã—先を目指㙠知能ã®ã‚¹ãƒšã‚¯ãƒˆãƒ« Very High ç†è«–ã‹ã‚‰ã® 特殊化 物ç†ç’°å¢ƒã®åˆ¶ç´„ã«ç‰¹åŒ–ã—ãŸæ±Žç”¨æ€§ã‚’ 追求ã—ã¤ã¤è¨ˆç®—å¯èƒ½ãªç©¶æ¥µã®è¶…知能 Physical AI 計算コスト High Low ç¾å®Ÿçš„ãªè¨ˆç®—ãŒä¸èƒ½ãªç†è«–çš„å˜åœ¨ Universal AI 全脳アーã‚テクãƒãƒ£(WBA) 脳をガイドã¨ã—ã¦ä½œã‚‰ã‚ŒãŸï¼Œ 脳をã¡ã‚‡ã£ã¨è¶…ãˆãŸè„³ã£ã½ã„知能． WBA 人間ã®è„³ æ—¢å˜ ï¼¡ï¼© マウスã®è„³ WBA 昆虫ã®è„³ Narrow General é ˜åŸŸä¾å˜æ€§ CONFIDENTIAL MATERIAL / RESTRICTED ACCESS 3 実ç¾ã—ãŸã‚‰ ä½µã›ã¦åˆ©ç”¨ 全脳アーã‚テクãƒãƒ£å‹‰å¼·ä¼šï¼ˆç¬¬ä¸€å›ž) 6. ç§ã®è„³ã‚¢ãƒ¼ã‚テクãƒãƒ£ç ”究 • • • • • • • 1983.4～ 1986.3 æ±äº¬ç†ç§‘å¤§å¦ ç†è«–ç‰©ç† å¦å£« 1987.4～ 1989.3 æ±å¤§ 実験物ç†
rinko2010
3. 4 [Lafferty+, 01] Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data. John Lafferty, Andrew McCallum, Fernando Pereira. Proceedings of ICML’01, 2001. [Collins, 02] Discriminative training methods for hidden markov models: Theory and experiments with perceptron algorithms. Michael Collins. Proceedings of EMNLP’02, 2002. [Morency+, 07] Latent-dynamic discrim
tokyor-document
tokyor-document - Presentation Transcript Rã«ã‚ˆã‚‹æ–‡æ›¸ãƒ¢ãƒ‡ãƒ«ã®å¯è¦–化 ～ディリクレ分布ã€æ··åˆãƒ‡ã‚£ãƒªã‚¯ãƒ¬åˆ†å¸ƒã€LDA #tokyoR @nokuno 自己紹介 2 ï® Twitter: @nokuno ï® ã¯ã¦ãªï¼šid:nokuno ï® è‡ªç„¶è¨€èªžå‡¦ç†å‹‰å¼·ä¼šã‚’主催（第2回ã¯9/25開催） ï® PRML/R/Python/Hadoopãªã© 2002～2006：コミケã§åŒäººã‚²ãƒ¼ãƒ 売ã£ã¦ãŸ 2007～2008：未è¸ã§Social IMEã®é–‹ç™º 2009～ç¾åœ¨ï¼šWebæ¥ç•Œå‹¤å‹™ï¼ˆâ†ä»Šã“ã“） 今日ã®è©±é¡Œ 3 ï® æ–‡æ›¸ãƒ¢ãƒ‡ãƒ«ã¨ã¯ ï® Wikipediaã®å¯è¦–化 ï® ç”Ÿæˆãƒ¢ãƒ‡ãƒ«ã®å¯è¦–化 ï® ãƒ‡ã‚£ãƒªã‚¯ãƒ¬åˆ†å¸ƒ ï® æ··åˆãƒ‡ã‚£ãƒªã‚¯ãƒ¬åˆ†å¸ƒ ï® LDA 文書モデルã¨ã¯ 4 ï® æ–‡æ›¸ã®ç”Ÿæˆç¢ºçŽ‡ã‚’モデル化 ï® å˜èªžã®å¤šé …分布を利用ã™ã‚‹ã®ãŒä¸€èˆ¬çš„ ï® æ–‡æ›¸ã‚’ã€ãã®æ–‡æ›¸ãŒå«ã‚€å˜èªžã®å‰²åˆã§
K-means hashing (CVPR'13) ã¨ãƒãƒƒã‚·ãƒ³ã‚°å‘¨ã‚Š
1. K-means Hashing: an Affinity-Preserving Quantization Method for Learning Binary Compact Codes Yusuke Uchida (@yu4u) KDDI R&D Laboratories, Inc. 2. 背景 • ç”»åƒç‰¹å¾´ – SIFT: 128次元, GIST: 960 (384) 次元, FV/VLAD: ～数万次元 – 1M～1B枚レベルã®ç”»åƒæ¤œç´¢ã¨ã‹ã—ãŸã„ãŠâ€¦ – ã§ã‚‚ç”»åƒã®ç‰¹å¾´ãƒ™ã‚¯ãƒˆãƒ«ãã®ã‚‚ã®ã‚’利用ã™ã‚‹ã¨ メモリã«ä¹—らãªã„ã—類似検索もãŠãã„ãŠâ€¦ – ã ã‹ã‚‰ã‚³ãƒ³ãƒ‘クトãªãƒã‚¤ãƒŠãƒªã‚³ãƒ¼ãƒ‰ã«å¤‰æ›ã™ã‚‹ãŠï¼ï¼ˆãƒ†ãƒ³ãƒ—レ） （é¢ç™½ã„ã‘ã©å¿œç”¨ã‚’æ°—ã«ã—ã¦ã„る人ãŒã‚ã‚“ã¾ã„ãªã„å°è±¡ï¼‰ • ãƒã‚¤ãƒŠãƒªåŒ–ã®ãƒ¡ãƒªãƒƒãƒˆ – コンパクト＋高速検索 (e.g., SSE 4.2 POPCNT) （å‚考）ビットを数ãˆã‚‹ ht
Building High-level Features Using Large Scale Unsupervised Learning
3. ILSVRC 2012 大è¦æ¨¡ç‰©ä½“èªè˜ã®ã‚³ãƒ³ãƒ†ã‚¹ãƒˆ http://www.image-net.org/challenges/LSVRC/2012/ Classification Localization Team name Error Team name Error 1 Super Vision 0.15315 1 Super Vision 0.335463 2 Super Vision Deep LearningVision 0.16422 2 Super 0.341905 3 ISI 0.26172 3 OXFORD_VGG 0.500342 4 ISI 0.26602 4 OXFORD_VGG 0.50139 5 ISI 0.26646 5 OXFORD_VGG 0.522189 6 ISI 0.26952 6 OXFORD_VGG 0.529482 7 OXFORD_VGG
大è¦æ¨¡ç”»åƒèªè˜ã¨ãã®å‘¨è¾º
2. Contents }ï½â€¯ 大è¦æ¨¡ç”»åƒãƒ‡ãƒ¼ã‚¿ã§å‡ºæ¥ã‚‹ã“ã¨ã®ä¾‹ }ï½â€¯ 一般物体èªè˜ã®ç´¹ä»‹ }ï½â€¯ 大è¦æ¨¡åŒ–ã®æµã‚Œã¨æœ€è¿‘ã®æ‰‹æ³•ã«ã¤ã„㦠}ï½â€¯ 大è¦æ¨¡ä¸€èˆ¬ç‰©ä½“èªè˜ã‚³ãƒ³ãƒšãƒ†ã‚£ã‚·ãƒ§ãƒ³ }ï½â€¯ 他分野ã¨ã®èžåˆçš„é ˜åŸŸãªã© 3. 大è¦æ¨¡ç”»åƒãƒ‡ãƒ¼ã‚¿ã®æ™‚代 }ï½â€¯ Webサービスã¸ã®ç”»åƒæŠ•ç¨¿ã¯æ—¥å¸¸ã®ä¸€éƒ¨ }ï½â€¯ Flickr： 60å„„æžšã®ç”»åƒï¼ˆ2011年） }ï½â€¯ Facebook: 毎年30å„„æžšç”»åƒæŠ•ç¨¿ }ï½â€¯ Youtube: 毎日約8年分ã®å‹•ç”»ãŒã‚¢ãƒƒãƒ—ãƒãƒ¼ãƒ‰ }ï½â€¯ 何らã‹ã®ãƒ¡ã‚¿æƒ…å ±ãŒä»˜ä¸Žã•ã‚Œã‚‹å ´åˆã‚‚多ㄠ}ï½â€¯ ã‚¿ã‚°ã€ã‚³ãƒ¡ãƒ³ãƒˆã€EXIFã€ä½ç½®æƒ…å ±ã€ãƒ»ãƒ»ãƒ» }ï½â€¯ ã“れらã®å¤§é‡ã®ãƒ‡ãƒ¼ã‚¿ã‚’用ã„ã‚‹ã“ã¨ã§ã€å¾“æ¥è€ƒãˆã‚‰ã‚Œ ãªã‹ã£ãŸã•ã¾ã–ã¾ãªã‚¢ãƒ—リケーションãŒç™»å ´ã—ã¦ã„ã‚‹ 4. ç”»åƒè£œå®Œ }ï½â€¯ Scene completion using millions of photographs [Hays et
Jubatusã®ç‰¹å¾´å¤‰æ›ã¨ç·šå½¢åˆ†é¡žå™¨ã®ä»•çµ„ã¿
1. Jubatusã®ç‰¹å¾´å¤‰æ›ã¨ 線形分類器ã®ä»•çµ„ã¿ 2011/11/07 æ ªå¼ä¼šç¤¾Preferred Infrastructure 海野 　裕也 (@unnonouno) 2. 本発表ã®ãらㄠlï¬â€¯ ç¾çŠ¶ã®Jubatusã§ä½•ãŒå‡ºæ¥ã‚‹ã®ã‹ã‚’機能ã®â¾¯é¢ã‹ã‚‰è§£èª¬ lï¬â€¯ 線形分類器ã®ä»•çµ„ã¿ã¨ä½¿ã„â½…æ–¹ lï¬â€¯ 特徴抽出器ã®ä»•çµ„ã¿ã¨ä½¿ã„â½…æ–¹ 2 3. 機械å¦ç¿’ã¨ã¯ï¼Ÿ lï¬â€¯ データã‹ã‚‰æœ‰â½¤ç”¨ãªè¦å‰‡ã€ãƒ«ãƒ¼ãƒ«ã€çŸ¥è˜ï§¼è¡¨ç¾ã€åˆ¤æ–基準㪠ã©ã‚’抽出 lï¬â€¯ データãŒã‚ã‚‹ã¨ã“ã‚ã€ã©ã“ã§ã‚‚使ãˆã‚‹ lï¬â€¯ 様々ãªåˆ†é‡Žã®å•é¡Œã«åˆ©ï§â½¤ç”¨å¯èƒ½ é©ç”¨åˆ†é‡Ž レコメンデー ションクラス 分類ã€è˜ï§¼åˆ¥ å¸‚å ´äºˆæ¸¬ è©•åˆ¤åˆ†æž ã‚¿ãƒªãƒ³ã‚° æƒ…å ±æŠ½å‡º ⽂文å—èªè˜ï§¼ ãƒãƒœãƒƒãƒˆ ç”»åƒè§£æž 検索索ランã‚ン éºä¼â¼¦ååˆ†æž â¾¦é‡‘ï¤Šèž åŒ»ç™‚ï§è¨ºæ– ã‚° 3 4. タスク固有ã®å•é¡Œã¨â¼¿æ‰‹æ³•ã®åˆ†é›¢ï§ª 特徴抽出 機械å¦ç¿’ 分野ã«ä¾å˜ã—ãªã„ 様々ãªâ¼¿æ‰‹æ³•ãƒ»
1
メンテナンス
ãŠçŸ¥ã‚‰ã›
障害
リリースã€éšœå®³æƒ…å ±ãªã©ã®ã‚µãƒ¼ãƒ“スã®ãŠçŸ¥ã‚‰ã›
最新ã®äººæ°—エントリーã®é…ä¿¡
j次ã®ãƒ–ックマーク
kå‰ã®ãƒ–ックマーク
lã‚ã¨ã§èªã‚€
eコメント一覧を開ã
oページを開ã
SGD+α: 確率的勾é…é™ä¸‹æ³•ã®ç¾åœ¨ã¨æœªæ¥
{{#tags}}- {{label}}
{{/tags}}