Recommended
More Related Content
More from Takuya Koumura
More from Takuya Koumura (20)
機械学習を用いた最近の聴覚研究（日本音響学会サマーセミナー講演資料）
- 4. 4 2017.09.10 Takuya KOUMURA 機械学習の基礎の基礎の基礎的な考え方の基礎 ⚫明日の天気？ ⚫データ ⚪今日の気温＝23℃ 今日の湿度＝16% ⚪過去の気温・湿度 ⚪過去の（翌日の）天気 or ？ ある日の 気温（℃） ある日の 湿度（%） 翌日の 天気 18 14 晴 25 27 雨 18 28 雨 3 38 雨 32 25 晴 33 19 晴 ・・・ ・・・ ・・・ （架空のデータ）
- 5. 5 2017.09.10 Takuya KOUMURA ある日の 気温（℃） ある日の 湿度（%） 翌日の 天気 9 30 雨 26 35 雨 11 11 晴 10 25 晴 28 19 晴 9 17 晴 22 31 晴 23 41 雨 20 21 晴 4 12 晴 4 24 雨 31 30 雨 15 20 晴 ある日の 気温（℃） ある日の 湿度（%） 翌日の 天気 18 14 晴 25 27 雨 18 28 雨 3 38 雨 32 25 晴 33 19 晴 16 34 雨 3 17 雨 9 35 雨 15 40 雨 2 29 雨 25 11 晴 32 13 晴 今日の気温 ＆ 今日の湿度→明日の天気？ （架空のデータ）
- 6. 6 2017.09.10 Takuya KOUMURA 今日の気温 ＆ 今日の湿度→明日の天気？ ？ ？ ？ 今日の湿度 今日の気温 30℃0℃ 40% 10%
- 7. 7 2017.09.10 Takuya KOUMURA 直線で分けられる？ 今日の湿度 今日の気温 30℃0℃ 40% 10% f = 0 f < 0 f > 0 f = w1 + w2 + w0 雨 晴
- 8. 8 2017.09.10 Takuya KOUMURA どんな直線？ 今日の湿度 今日の気温 30℃0℃ 40% 10% 0.05 − 0.15 + 3.00 = 0 0.40 − 0.20 − 2.00 = 0 0.30 + 0.30 − 9.00 = 0 w1 + w2 + w0 = 0
- 10. 10 2017.09.10 Takuya KOUMURA どんな直線？ 今日の湿度 今日の気温 30℃0℃ 40% 10% ？ f = 0.05 − 0.15 + 3.00 f < 0 → 雨 f > 0 → 晴 f = 0 線形判別分析
- 11. 11 2017.09.10 Takuya KOUMURA 未知の値を含んだデータ 気温 湿度 天気？ モデル f = 0.05 − 0.15 + 3.00 f > 0 → f < 0 → （線形） データ 気温 湿度 天気 データの関係を学習 未知の値を予測 w1 + w2 w0 機械学習の基礎の基礎の基礎的な考え方の基礎 ⚫モデルを考える ⚫モデルを使ってデータの関係を学習 ⚫学習した関係を元に未知の値を予測
- 12. 12 2017.09.10 Takuya KOUMURA 振幅値 → 発話内容？ 時刻（ms） 振幅値 0 650 ？ ？ あ い う え お あ い う え お ・・・ ・・・ ・・・ ・・・ ・・・
- 13. 13 2017.09.10 Takuya KOUMURA 振幅値 → 発話内容？ 振幅値 0 ms 振幅値 0.1 ms 振幅値 0.2 ms 振幅値 0.3 ms 振幅値 0.4 ms ・・・ 振幅値 650 ms 発話 内容 −0.329 0.409 0.093 1.277 1.493 ・・・ 0.330 ？ −0.002 0.011 0.071 0.326 0.649 0.002 ？ 0.030 −0.014 0.005 −0.236 −0.565 ・・・ −0.029 あ 0.497 −0.480 0.821 −0.079 1.318 ・・・ −0.487 い −0.019 −0.048 −0.294 −0.615 −1.197 ・・・ 0.019 う −0.066 0.022 −0.339 −0.643 −1.517 ・・・ 0.063 え −0.212 0.233 −0.158 0.340 0.018 ・・・ 0.210 お 0.400 −0.405 0.490 −0.225 0.423 ・・・ −0.396 あ 0.106 −0.130 0.112 0.166 0.581 ・・・ −0.109 い 0.029 −0.004 0.153 0.283 0.659 ・・・ −0.029 う −0.011 −0.009 −0.152 −0.380 −0.748 ・・・ 0.011 え −0.005 0.042 0.079 −0.003 −0.376 ・・・ 0.005 お ・・・ ・・・ ・・・ ・・・ ・・・ ・・・ ・・・ ・・・ データ 振幅値（0 ms） 振幅値（0.1 ms） 振幅値（0.2 ms） ︙ 振幅値（650 ms） 発話 内容 未知の値を含んだデータ 振幅値（0 ms） 振幅値（0.1 ms） 振幅値（0.2 ms） ︙ 振幅値（650 ms） ？
- 14. 14 2017.09.10 Takuya KOUMURA 振幅値 → 発話内容？ 振幅値（時刻 0 ms） ？ ？ あ い う え お 振幅値（時刻0.1ms） −2 2 −2 2
- 15. 15 2017.09.10 Takuya KOUMURA 線形モデル f1 f2 f1 = − 0.82x1 + 4.80x2 + 6.93x3 + … f2 = + 0.55x1 − 1.68x2 − 0.19x3 + … ？ ？ x1 ：振幅値(0.0 ms) x2 ：振幅値(0.1 ms) x3 ：振幅値(0.2 ms) あ い う え お −10 10 −10 5 ・・・
- 16. 16 2017.09.10 Takuya KOUMURA もっと複雑なモデル ？ ？ あ い う え お f1 f2 −10 5 −5 10 x1 ：振幅値(0.0 ms) x2 ：振幅値(0.1 ms) x3 ：振幅値(0.2 ms) ・・・ f1 = −0.02tanh(−0.03x1−0.003x2−0.009x3+ …)−0.08tanh(… f2 = +0.05tanh(−0.03x1−0.003x2−0.009x3+ …)+0.01tanh(…
- 17. 17 2017.09.10 Takuya KOUMURA モデル f1 = x1 f2 = x2 モデル f1 = w1x1 + w1x1 + w2x2 + … f1 = v1x1 + v1x1 + v2x2 + … モデル f1 = w1tanh(u1x1+u2x2+u3x3+ …)+w2tanh(… f2 = v1tanh(s1x1+s2x2+s3x3+ …)+v2tanh(… データ 振幅値（0 ms） 振幅値（0.1 ms） 振幅値（0.2 ms） ︙ 振幅値（650 ms） 発話 内容 未知の値を含んだデータ 振幅値（0 ms） 振幅値（0.1 ms） 振幅値（0.2 ms） ︙ 振幅値（650 ms） データの関係を学習 未知の値を予測 ？ 未知のデータをより良く予測できるモデルを探す
- 19. 19 2017.09.10 Takuya KOUMURA ⚫ 音の自動認識・生成 ⚪ Koumura, T. & Okanoya, K. Automatic Recognition of Element Classes and Boundaries in the Birdsong with Variable Sequences. PLoS One. 2016. ⚪ van den Oord, A. et al. WaveNet: A Generative Model for Raw Audio. arXiv Prepr. 2016. ⚫ データ解析の道具として ⚪ Shiramatsu, T. I., Noda, T., Akutsu, K. & Takahashi, H. Tonotopic and Field-Specific Representation of Long-Lasting Sustained Activity in Rat Auditory Cortex. Front Neural Circuits. 2016. ⚪ Koumura, T. & Furukawa, S. Context-Dependent Effect of Reverberation on Material Perception from Impact Sound. 投稿中. ⚫ 神経系の計算機モデル ⚪ 上村卓也, 寺島裕貴 & 古川茂人. 神経生理学的手法による深層ニューラルネットワークの周波数特 性解析. in 日本音響学会 2017年 秋季研究発表会. 予定. ⚪ Koumura, T. & Okanoya, K. Probabilistic syntax model of the birdsong using a simple artificial neural network with feedback of the previous sequences. in 31st ICP. 2016. 参考文献
- 20. 20 2017.09.10 Takuya KOUMURA データ 振幅値 データの関係を学習 音の自動認識 モデル 発話内容 振幅値 未知の値を予測 発話内容？ 未知の値を含んだデータ データ 振幅値 データの関係を学習 音の生成 モデル 発話内容 振幅値 未知の値を予測 発話内容？ 未知の値を含んだデータ
- 21. 21 2017.09.10 Takuya KOUMURA 音の自動認識 ⚫Googleドキュメント ⚪https://www.google.com/intl/ja_jp/docs/about/
- 22. 22 2017.09.10 Takuya KOUMURA ⚫機械学習の基礎の基礎の基礎的な考え方の基礎 ⚫機械学習を用いた最近の音響研究 ⚪音の自動認識・生成 99% ⚫機械学習を用いた最近の聴覚研究 ⚪データ解析の道具として 1% ⚪神経系の計算機モデル 0.00001% 今日のお話 データ解析の道具として
- 23. 23 2017.09.10 Takuya KOUMURA データ 未知の値を含んだデータ 気温 湿度 天気 モデル データ解析の道具として ？気温 湿度 天気 データの関係を学習 未知の値を予測 f = w1 + w2 + w0 f > 0 → f < 0 →
- 24. 24 2017.09.10 Takuya KOUMURA モデル データ解析の道具として ⚫データに関係性があるか？ ⚫どのデータが重要か？ データ データの関係を学習 明日の 天気 ︙日 照 時 間 降 水 量 湿 度 気 温 未知の値を含んだデータ 未知の値を予測 ︙日 照 時 間 降 水 量 湿 度 気 温 f = w1 + w2 + w3 + w4 + f > 0 → f < 0 → ？
- 25. 25 2017.09.10 Takuya KOUMURA ？？ 木 残響下での聞き取りに重要な音響特徴量は？ 残響に 慣れる 音のどのような特徴が重要なのか？ Koumura 投稿中 1.0 (s) 木 or 金属 or ガラス 残響がかかる
- 26. 26 2017.09.10 Takuya KOUMURA モデル データ 残響下での聞き取りに重要な音響特徴量は？ 立ち上がり時間 x1 減衰速度 x2 スペクトル幅 x3 ラフネス x4 選ばれた材質 Koumura 投稿中 0.0 0.6 寄与率 残響への慣れ→無し 残響への慣れ→有り f1 f2 −2 6 −4 2 f1 = −0.032x1+0.707x2+0.707x3+0.003x4 f2 = +0.137x1−0.408x2+0.790x3−0.438x4 木 金属 ガラス 係数から寄与率が計算できる
- 27. 27 2017.09.10 Takuya KOUMURA 電極位置 音の情報をコードする脳領域 コア ベルト 電位 時刻 音の情報をコードする脳領域は？ 神経活動 モデル 音が鳴っているかどうか データ Shiramatsu 2016 Front Neural Circuits 音が鳴っているかどうかを予測できる領域 → 音の情報が乗っている
- 30. 30 2017.09.10 Takuya KOUMURA発話内容 モデル 聴覚神経系の階層性 1層目 2層目 3層目 4層目 5層目 6層目 7層目 8層目 9層目 10層目 11層目 12層目 細胞数 最適変調 周波数（Hz） 1 10 100 1k 最適変調周波数（Hz） 1 10 100 1k変数数 0 20 蝸牛神経核 上オリーブ核 外側毛帯 下丘 内側膝状体 聴覚皮質 Principles of Neural Science 上村卓也 2017 音響学会