SlideShare a Scribd company logo

KDD2016勉強会 資料

•
•
Toshihiro Kamishima
Toshihiro Kamishima

KDD2016勉強会 https://atnd.org/events/80771 論文：“Why Should I Trust You?”Explaining the Predictions of Any Classifier 著者：M. T. Ribeiro and S. Singh and C. Guestrin 論文リンク： http://www.kdd.org/kdd2016/subtopic/view/why-should-i-trust-you-explaining-the-predictions-of-any-classifier

Data & Analytics
1 of 11
Download to read offline
“Why should I Trust You?” Explaining the Predictions of Any Classifier 神嶌 敏弘 KDD2016勉強会，2016/10/01 1
概要 2 説明 (explanation)：複雑な分類器の判断基準を，人間にも解釈可 能 (interpretable) になるように提示する 人間が見て分かるほど単純なモデルでは予測精度に難 カーネルや深層ネットなど複雑なモデルでは解釈不可能 ↓ 内部構造がブラックボックスの任意の分類器に適用可能 ある事例の分類結果に，各特徴がどれくらい影響を与えているかを 調べて説明とする いくつかの事例についての説明を見せることで，モデル全体への説 明とする ↓ クラウドソーシングを使った被験者実験で説明の有効性を確認 クラウドワーカーで，特徴の前処理ができた
個別の予測についての説明 3 ホールドアウトデータでの予測指標は過大評価になりやすい leakage や，訓練とテストで分布が違うデータ集合シフトへの対策 個別の予測についての説明 事例の構成要素（テキスト中の語や画像の一部）とモデルの予測の関 係を定性的に理解できるようにテキストや可視化 20Newsgroup文書の分類 元の文書 アルゴリズム を比較 分類結果と 正解・不正解 分類に影響 した特徴 とその影響度
説明に必要な要素 4 解釈可能性：入力変数と応答との間の定性的理解を与える 人間の理解力の限界，理解の容易さ：数100個の特徴は無理 対象利用者：専門家 or 非専門家 局所的忠実性：モデル全体を詳細に述べることができなくても，予測 対象の事例に関連した部分だけでも最低限は説明できる 局所的忠実性は大域的忠実性を含意しない：大域的に重要な特徴が 局所的にはそうでない場合がある モデル不可知性：任意のモデルを説明可能で，モデル自体をブラック ボックスとして扱う 多くの分類器は解釈不能であり，将来出てくる分類器も扱えるよう に 大域的観点：モデル全体を代表するような事例を選んでモデルを説明
Local Interpretable Model- agnostic Explanations (LIME) 5 ブラックボックスな分類器に局所的に忠実 ＆ 利用者に解釈可能 ↓ 事例 x の周辺からサンプリングした事例で解釈可能な分類器を訓練 サンプルは x への類似度 πx(z) で， z を重み付けしているので頑健 サンプリングした事例 z を説明する分類器に与えてラベル f(z) を得る 説明用 分類器 負ラベル の事例 正ラベル の事例 説明する の事例
Local Interpretable Model- agnostic Explanations (LIME) 6 ⇠(x) = arg min gÀG L(f, g, ⇡x) + ⌦(g) 疎な線形説明 g(z’) = wg・z’ 事例の類似度 πx(z) = exp(−D(x, z)2 / σ2 ) 損失 Σz πx( f(z) − g(z) )2 最適化問題を解いて事例 x についての説明を得る 説明する分類器 f(z) 説明 g の複雑さ 利用する特徴がたかだか K 個 K-lasso：正則化パスを用いて K 個を選ぶ
例：20NewsgroupをSVMで分類 7 キリスト教徒と無神論者の投稿を分類する問題 Algorithm2の予測精度は一見94%と高く，一見すると信頼できそう NetNewsのヘッダ情報が 有力な特徴となっていて 他の文書でキリスト教徒・ 無神論者を分類するには 使えなさそう 分類した文書
深層ネットで分類した画像 8 Google の Inception NN で分類した結果 上位三つのクラスラベルについて，その説明となる領域を示した アコギをエレキと間違 えたのは fretboard の 存在が大きい エレキギター アコースティックギター ラブラドール 元画像
モデルの説明 (SP-LIME) 9 複数の事例に対する説明を示すことでモデルの説明とする ↓ モデルをうまく説明できる事例の集合を選ぶ f1 f2 f3 f4 f5 できるだけ多くの重要な特徴を被覆 するように，B個の事例を選ぶ ↓ 集合の最大被覆なので，劣モジュラ 性を使い貪欲法で解く 事例の分類にとって重要な特徴
人工的な利用者実験 10 評判分析用ベンチマークを用いたオフライン実験 LIME（提案），parzen，greedy，random 説明はモデルに対して忠実か？ 元分類器で最も重要な10個の特徴を説明で復元させた random ＜ parzen ＜ greedy ＜ LIME（90%以上） 説明によって個々の予測への信頼は高まるか？ 信頼できない特徴を決めておいて，それを使わないと予測が変化す る場合は信用できないとして，信用できないことに対する識別率 F1尺度で評価して，LIMEは他より有意に良かった 説明はモデル全体の評価に有用か？ 信頼できない特徴を埋め込んで，それが説明に取り上げられたらモ デルから除外して，最終モデルを作って，その予測精度で評価 ランダムに事例を選ぶより劣モジュラに基づく選択がよかった
被験者による評価 11 AMT で 20Newsgroup とわざと作った背景が雪原だったら狼と判 別する狼・ハスキー分類器 を使い被験者実験 利用者が最良の分類器を選択できるか？ 説明をみてまともなモデルを選ぶ割合 → LIMEで劣モ選択がよい 非専門家が分類器を改良できるか？ 説明を見て，無関係と思う特徴（単語）を段階的に除去して分類器 を再構築し，新たなキリスト教・無神論データで評価 被験者は分類器の性能を向上させることができた 説明は洞察を与えるのか？ 狼識別器で説明を見せる前後で，実際に使ってみてうまくいきそう かどうか，またその理由を尋ねてみた 背景に依存しているため，この分類器はダメだと被験者は認識した

Recommended

ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...西岡 賢一郎
 
“Why Should I Trust You?” Explaining the Predictions of Any Classifierの紹介
“Why Should I Trust You?” Explaining the Predictions of Any Classifierの紹介“Why Should I Trust You?” Explaining the Predictions of Any Classifierの紹介
“Why Should I Trust You?” Explaining the Predictions of Any Classifierの紹介KCS Keio Computer Society
 
[DL輪読会]Relational inductive biases, deep learning, and graph networks
[DL輪読会]Relational inductive biases, deep learning, and graph networks[DL輪読会]Relational inductive biases, deep learning, and graph networks
[DL輪読会]Relational inductive biases, deep learning, and graph networksDeep Learning JP
 
星野「調査観察データの統計科学」第1＆2章
星野「調査観察データの統計科学」第1＆2章星野「調査観察データの統計科学」第1＆2章
星野「調査観察データの統計科学」第1＆2章Shuyo Nakatani
 
MICの解説
MICの解説MICの解説
MICの解説logics-of-blue
 
関数データ解析の概要とその方法
関数データ解析の概要とその方法関数データ解析の概要とその方法
関数データ解析の概要とその方法Hidetoshi Matsui
 
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...Masatoshi Yoshida
 
[DL輪読会]Deep Learning 第5章 機械学習の基礎
[DL輪読会]Deep Learning 第5章 機械学習の基礎[DL輪読会]Deep Learning 第5章 機械学習の基礎
[DL輪読会]Deep Learning 第5章 機械学習の基礎Deep Learning JP
 

Recommended

ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...西岡 賢一郎
 
“Why Should I Trust You?” Explaining the Predictions of Any Classifierの紹介
“Why Should I Trust You?” Explaining the Predictions of Any Classifierの紹介“Why Should I Trust You?” Explaining the Predictions of Any Classifierの紹介
“Why Should I Trust You?” Explaining the Predictions of Any Classifierの紹介KCS Keio Computer Society
 
[DL輪読会]Relational inductive biases, deep learning, and graph networks
[DL輪読会]Relational inductive biases, deep learning, and graph networks[DL輪読会]Relational inductive biases, deep learning, and graph networks
[DL輪読会]Relational inductive biases, deep learning, and graph networksDeep Learning JP
 
星野「調査観察データの統計科学」第1＆2章
星野「調査観察データの統計科学」第1＆2章星野「調査観察データの統計科学」第1＆2章
星野「調査観察データの統計科学」第1＆2章Shuyo Nakatani
 
MICの解説
MICの解説MICの解説
MICの解説logics-of-blue
 
関数データ解析の概要とその方法
関数データ解析の概要とその方法関数データ解析の概要とその方法
関数データ解析の概要とその方法Hidetoshi Matsui
 
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...Masatoshi Yoshida
 
[DL輪読会]Deep Learning 第5章 機械学習の基礎
[DL輪読会]Deep Learning 第5章 機械学習の基礎[DL輪読会]Deep Learning 第5章 機械学習の基礎
[DL輪読会]Deep Learning 第5章 機械学習の基礎Deep Learning JP
 
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State SpacesDeep Learning JP
 
【DL輪読会】A Path Towards Autonomous Machine Intelligence
【DL輪読会】A Path Towards Autonomous Machine Intelligence【DL輪読会】A Path Towards Autonomous Machine Intelligence
【DL輪読会】A Path Towards Autonomous Machine IntelligenceDeep Learning JP
 
変分ベイズ法の説明
変分ベイズ法の説明変分ベイズ法の説明
変分ベイズ法の説明Haruka Ozaki
 
Deep State Space Models for Time Series Forecasting の紹介
Deep State Space Models for Time Series Forecasting の紹介Deep State Space Models for Time Series Forecasting の紹介
Deep State Space Models for Time Series Forecasting の紹介Chihiro Kusunoki
 
自動運転におけるCNNの信頼性
自動運転におけるCNNの信頼性自動運転におけるCNNの信頼性
自動運転におけるCNNの信頼性Fixstars Corporation
 
統計的学習の基礎　5章前半（~5.6）
統計的学習の基礎　5章前半（~5.6）統計的学習の基礎　5章前半（~5.6）
統計的学習の基礎　5章前半（~5.6）Kota Mori
 
「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナー
「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナー「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナー
「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナーKoichi Hamada
 
合成経路探索 -論文まとめ- （PFN中郷孝祐）
合成経路探索 -論文まとめ- （PFN中郷孝祐）合成経路探索 -論文まとめ- （PFN中郷孝祐）
合成経路探索 -論文まとめ- （PFN中郷孝祐）Preferred Networks
 
計量経済学と 機械学習の交差点入り口 （公開用）
計量経済学と 機械学習の交差点入り口 （公開用）計量経済学と 機械学習の交差点入り口 （公開用）
計量経済学と 機械学習の交差点入り口 （公開用）Shota Yasui
 
特徴パターンを用いた機械学習の説明手法 (JSAI2019)
特徴パターンを用いた機械学習の説明手法 (JSAI2019)特徴パターンを用いた機械学習の説明手法 (JSAI2019)
特徴パターンを用いた機械学習の説明手法 (JSAI2019)Kohei Asano
 
情報幾何 勉強会資料０
情報幾何 勉強会資料０情報幾何 勉強会資料０
情報幾何 勉強会資料０S Ishikasa
 
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative ModelsDeep Learning JP
 
【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?Masanao Ochi
 
Transformerを雰囲気で理解する
Transformerを雰囲気で理解するTransformerを雰囲気で理解する
Transformerを雰囲気で理解するAtsukiYamaguchi1
 
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)Tomoyuki Hioki
 
[DL輪読会]QUASI-RECURRENT NEURAL NETWORKS
[DL輪読会]QUASI-RECURRENT NEURAL NETWORKS[DL輪読会]QUASI-RECURRENT NEURAL NETWORKS
[DL輪読会]QUASI-RECURRENT NEURAL NETWORKSDeep Learning JP
 
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするためにベイズモデリングと仲良くするために
ベイズモデリングと仲良くするためにShushi Namba
 
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介Deep Learning JP
 
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for GraphsLearning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for GraphsTakuya Akiba
 
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions [DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions Deep Learning JP
 
KDD2016論文読み会資料（DeepIntent）
KDD2016論文読み会資料（DeepIntent） KDD2016論文読み会資料（DeepIntent）
KDD2016論文読み会資料（DeepIntent） Sotetsu KOYAMADA（小山田創哲）
 
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価Shintaro Fukushima
 

More Related Content

What's hot

【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State SpacesDeep Learning JP
 
【DL輪読会】A Path Towards Autonomous Machine Intelligence
【DL輪読会】A Path Towards Autonomous Machine Intelligence【DL輪読会】A Path Towards Autonomous Machine Intelligence
【DL輪読会】A Path Towards Autonomous Machine IntelligenceDeep Learning JP
 
変分ベイズ法の説明
変分ベイズ法の説明変分ベイズ法の説明
変分ベイズ法の説明Haruka Ozaki
 
Deep State Space Models for Time Series Forecasting の紹介
Deep State Space Models for Time Series Forecasting の紹介Deep State Space Models for Time Series Forecasting の紹介
Deep State Space Models for Time Series Forecasting の紹介Chihiro Kusunoki
 
自動運転におけるCNNの信頼性
自動運転におけるCNNの信頼性自動運転におけるCNNの信頼性
自動運転におけるCNNの信頼性Fixstars Corporation
 
統計的学習の基礎　5章前半（~5.6）
統計的学習の基礎　5章前半（~5.6）統計的学習の基礎　5章前半（~5.6）
統計的学習の基礎　5章前半（~5.6）Kota Mori
 
「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナー
「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナー「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナー
「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナーKoichi Hamada
 
合成経路探索 -論文まとめ- （PFN中郷孝祐）
合成経路探索 -論文まとめ- （PFN中郷孝祐）合成経路探索 -論文まとめ- （PFN中郷孝祐）
合成経路探索 -論文まとめ- （PFN中郷孝祐）Preferred Networks
 
計量経済学と 機械学習の交差点入り口 （公開用）
計量経済学と 機械学習の交差点入り口 （公開用）計量経済学と 機械学習の交差点入り口 （公開用）
計量経済学と 機械学習の交差点入り口 （公開用）Shota Yasui
 
特徴パターンを用いた機械学習の説明手法 (JSAI2019)
特徴パターンを用いた機械学習の説明手法 (JSAI2019)特徴パターンを用いた機械学習の説明手法 (JSAI2019)
特徴パターンを用いた機械学習の説明手法 (JSAI2019)Kohei Asano
 
情報幾何 勉強会資料０
情報幾何 勉強会資料０情報幾何 勉強会資料０
情報幾何 勉強会資料０S Ishikasa
 
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative ModelsDeep Learning JP
 
【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?Masanao Ochi
 
Transformerを雰囲気で理解する
Transformerを雰囲気で理解するTransformerを雰囲気で理解する
Transformerを雰囲気で理解するAtsukiYamaguchi1
 
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)Tomoyuki Hioki
 
[DL輪読会]QUASI-RECURRENT NEURAL NETWORKS
[DL輪読会]QUASI-RECURRENT NEURAL NETWORKS[DL輪読会]QUASI-RECURRENT NEURAL NETWORKS
[DL輪読会]QUASI-RECURRENT NEURAL NETWORKSDeep Learning JP
 
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするためにベイズモデリングと仲良くするために
ベイズモデリングと仲良くするためにShushi Namba
 
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介Deep Learning JP
 
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for GraphsLearning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for GraphsTakuya Akiba
 
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions [DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions Deep Learning JP
 

What's hot (20)

【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
 
【DL輪読会】A Path Towards Autonomous Machine Intelligence
【DL輪読会】A Path Towards Autonomous Machine Intelligence【DL輪読会】A Path Towards Autonomous Machine Intelligence
【DL輪読会】A Path Towards Autonomous Machine Intelligence
 
変分ベイズ法の説明
変分ベイズ法の説明変分ベイズ法の説明
変分ベイズ法の説明
 
Deep State Space Models for Time Series Forecasting の紹介
Deep State Space Models for Time Series Forecasting の紹介Deep State Space Models for Time Series Forecasting の紹介
Deep State Space Models for Time Series Forecasting の紹介
 
自動運転におけるCNNの信頼性
自動運転におけるCNNの信頼性自動運転におけるCNNの信頼性
自動運転におけるCNNの信頼性
 
統計的学習の基礎　5章前半（~5.6）
統計的学習の基礎　5章前半（~5.6）統計的学習の基礎　5章前半（~5.6）
統計的学習の基礎　5章前半（~5.6）
 
「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナー
「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナー「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナー
「樹木モデルとランダムフォレスト－機械学習による分類・予測－」－データマイニングセミナー
 
合成経路探索 -論文まとめ- （PFN中郷孝祐）
合成経路探索 -論文まとめ- （PFN中郷孝祐）合成経路探索 -論文まとめ- （PFN中郷孝祐）
合成経路探索 -論文まとめ- （PFN中郷孝祐）
 
計量経済学と 機械学習の交差点入り口 （公開用）
計量経済学と 機械学習の交差点入り口 （公開用）計量経済学と 機械学習の交差点入り口 （公開用）
計量経済学と 機械学習の交差点入り口 （公開用）
 
特徴パターンを用いた機械学習の説明手法 (JSAI2019)
特徴パターンを用いた機械学習の説明手法 (JSAI2019)特徴パターンを用いた機械学習の説明手法 (JSAI2019)
特徴パターンを用いた機械学習の説明手法 (JSAI2019)
 
情報幾何 勉強会資料０
情報幾何 勉強会資料０情報幾何 勉強会資料０
情報幾何 勉強会資料０
 
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
 
【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?
 
Transformerを雰囲気で理解する
Transformerを雰囲気で理解するTransformerを雰囲気で理解する
Transformerを雰囲気で理解する
 
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
[論文紹介] LSTM (LONG SHORT-TERM MEMORY)
 
[DL輪読会]QUASI-RECURRENT NEURAL NETWORKS
[DL輪読会]QUASI-RECURRENT NEURAL NETWORKS[DL輪読会]QUASI-RECURRENT NEURAL NETWORKS
[DL輪読会]QUASI-RECURRENT NEURAL NETWORKS
 
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするためにベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
 
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
 
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for GraphsLearning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for Graphs
 
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions [DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions
 

Viewers also liked

機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価Shintaro Fukushima
 
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計Takahiro Kubo
 
主成分分析 (pca)
主成分分析 (pca)主成分分析 (pca)
主成分分析 (pca)Ji Wang
 
サーバーレスの今とこれから
サーバーレスの今とこれからサーバーレスの今とこれから
サーバーレスの今とこれから真吾 吉田
 
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)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
 
機械学習の理論と実践
機械学習の理論と実践機械学習の理論と実践
機械学習の理論と実践Preferred Networks
 
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話Ryota Kamoshida
 

Viewers also liked (8)

KDD2016論文読み会資料（DeepIntent）
KDD2016論文読み会資料（DeepIntent） KDD2016論文読み会資料（DeepIntent）
KDD2016論文読み会資料（DeepIntent）
 
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
 
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
 
主成分分析 (pca)
主成分分析 (pca)主成分分析 (pca)
主成分分析 (pca)
 
サーバーレスの今とこれから
サーバーレスの今とこれからサーバーレスの今とこれから
サーバーレスの今とこれから
 
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)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)
 
機械学習の理論と実践
機械学習の理論と実践機械学習の理論と実践
機械学習の理論と実践
 
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
 

More from Toshihiro Kamishima

RecSys2018論文読み会 資料
RecSys2018論文読み会 資料RecSys2018論文読み会 資料
RecSys2018論文読み会 資料Toshihiro Kamishima
 
機械学習研究でのPythonの利用
機械学習研究でのPythonの利用機械学習研究でのPythonの利用
機械学習研究でのPythonの利用Toshihiro Kamishima
 
Considerations on Recommendation Independence for a Find-Good-Items Task
Considerations on Recommendation Independence for a Find-Good-Items TaskConsiderations on Recommendation Independence for a Find-Good-Items Task
Considerations on Recommendation Independence for a Find-Good-Items TaskToshihiro Kamishima
 
Model-based Approaches for Independence-Enhanced Recommendation
Model-based Approaches for Independence-Enhanced RecommendationModel-based Approaches for Independence-Enhanced Recommendation
Model-based Approaches for Independence-Enhanced RecommendationToshihiro Kamishima
 
科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要Toshihiro Kamishima
 
Future Directions of Fairness-Aware Data Mining: Recommendation, Causality, a...
Future Directions of Fairness-Aware Data Mining: Recommendation, Causality, a...Future Directions of Fairness-Aware Data Mining: Recommendation, Causality, a...
Future Directions of Fairness-Aware Data Mining: Recommendation, Causality, a...Toshihiro Kamishima
 
Correcting Popularity Bias by Enhancing Recommendation Neutrality
Correcting Popularity Bias by Enhancing Recommendation NeutralityCorrecting Popularity Bias by Enhancing Recommendation Neutrality
Correcting Popularity Bias by Enhancing Recommendation NeutralityToshihiro Kamishima
 
PyMCがあれば，ベイズ推定でもう泣いたりなんかしない
PyMCがあれば，ベイズ推定でもう泣いたりなんかしないPyMCがあれば，ベイズ推定でもう泣いたりなんかしない
PyMCがあれば，ベイズ推定でもう泣いたりなんかしないToshihiro Kamishima
 
The Independence of Fairness-aware Classifiers
The Independence of Fairness-aware ClassifiersThe Independence of Fairness-aware Classifiers
The Independence of Fairness-aware ClassifiersToshihiro Kamishima
 
Efficiency Improvement of Neutrality-Enhanced Recommendation
Efficiency Improvement of Neutrality-Enhanced RecommendationEfficiency Improvement of Neutrality-Enhanced Recommendation
Efficiency Improvement of Neutrality-Enhanced RecommendationToshihiro Kamishima
 
Absolute and Relative Clustering
Absolute and Relative ClusteringAbsolute and Relative Clustering
Absolute and Relative ClusteringToshihiro Kamishima
 
Consideration on Fairness-aware Data Mining
Consideration on Fairness-aware Data MiningConsideration on Fairness-aware Data Mining
Consideration on Fairness-aware Data MiningToshihiro Kamishima
 
Fairness-aware Classifier with Prejudice Remover Regularizer
Fairness-aware Classifier with Prejudice Remover RegularizerFairness-aware Classifier with Prejudice Remover Regularizer
Fairness-aware Classifier with Prejudice Remover RegularizerToshihiro Kamishima
 
Enhancement of the Neutrality in Recommendation
Enhancement of the Neutrality in RecommendationEnhancement of the Neutrality in Recommendation
Enhancement of the Neutrality in RecommendationToshihiro Kamishima
 
OpenOpt の線形計画で圧縮センシング
OpenOpt の線形計画で圧縮センシングOpenOpt の線形計画で圧縮センシング
OpenOpt の線形計画で圧縮センシングToshihiro Kamishima
 
Fairness-aware Learning through Regularization Approach
Fairness-aware Learning through Regularization ApproachFairness-aware Learning through Regularization Approach
Fairness-aware Learning through Regularization ApproachToshihiro Kamishima
 

More from Toshihiro Kamishima (20)

RecSys2018論文読み会 資料
RecSys2018論文読み会 資料RecSys2018論文読み会 資料
RecSys2018論文読み会 資料
 
WSDM2018読み会 資料
WSDM2018読み会 資料WSDM2018読み会 資料
WSDM2018読み会 資料
 
Recommendation Independence
Recommendation IndependenceRecommendation Independence
Recommendation Independence
 
機械学習研究でのPythonの利用
機械学習研究でのPythonの利用機械学習研究でのPythonの利用
機械学習研究でのPythonの利用
 
Considerations on Recommendation Independence for a Find-Good-Items Task
Considerations on Recommendation Independence for a Find-Good-Items TaskConsiderations on Recommendation Independence for a Find-Good-Items Task
Considerations on Recommendation Independence for a Find-Good-Items Task
 
Model-based Approaches for Independence-Enhanced Recommendation
Model-based Approaches for Independence-Enhanced RecommendationModel-based Approaches for Independence-Enhanced Recommendation
Model-based Approaches for Independence-Enhanced Recommendation
 
科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要
 
WSDM2016勉強会 資料
WSDM2016勉強会 資料WSDM2016勉強会 資料
WSDM2016勉強会 資料
 
ICML2015読み会 資料
ICML2015読み会 資料ICML2015読み会 資料
ICML2015読み会 資料
 
Future Directions of Fairness-Aware Data Mining: Recommendation, Causality, a...
Future Directions of Fairness-Aware Data Mining: Recommendation, Causality, a...Future Directions of Fairness-Aware Data Mining: Recommendation, Causality, a...
Future Directions of Fairness-Aware Data Mining: Recommendation, Causality, a...
 
Correcting Popularity Bias by Enhancing Recommendation Neutrality
Correcting Popularity Bias by Enhancing Recommendation NeutralityCorrecting Popularity Bias by Enhancing Recommendation Neutrality
Correcting Popularity Bias by Enhancing Recommendation Neutrality
 
PyMCがあれば，ベイズ推定でもう泣いたりなんかしない
PyMCがあれば，ベイズ推定でもう泣いたりなんかしないPyMCがあれば，ベイズ推定でもう泣いたりなんかしない
PyMCがあれば，ベイズ推定でもう泣いたりなんかしない
 
The Independence of Fairness-aware Classifiers
The Independence of Fairness-aware ClassifiersThe Independence of Fairness-aware Classifiers
The Independence of Fairness-aware Classifiers
 
Efficiency Improvement of Neutrality-Enhanced Recommendation
Efficiency Improvement of Neutrality-Enhanced RecommendationEfficiency Improvement of Neutrality-Enhanced Recommendation
Efficiency Improvement of Neutrality-Enhanced Recommendation
 
Absolute and Relative Clustering
Absolute and Relative ClusteringAbsolute and Relative Clustering
Absolute and Relative Clustering
 
Consideration on Fairness-aware Data Mining
Consideration on Fairness-aware Data MiningConsideration on Fairness-aware Data Mining
Consideration on Fairness-aware Data Mining
 
Fairness-aware Classifier with Prejudice Remover Regularizer
Fairness-aware Classifier with Prejudice Remover RegularizerFairness-aware Classifier with Prejudice Remover Regularizer
Fairness-aware Classifier with Prejudice Remover Regularizer
 
Enhancement of the Neutrality in Recommendation
Enhancement of the Neutrality in RecommendationEnhancement of the Neutrality in Recommendation
Enhancement of the Neutrality in Recommendation
 
OpenOpt の線形計画で圧縮センシング
OpenOpt の線形計画で圧縮センシングOpenOpt の線形計画で圧縮センシング
OpenOpt の線形計画で圧縮センシング
 
Fairness-aware Learning through Regularization Approach
Fairness-aware Learning through Regularization ApproachFairness-aware Learning through Regularization Approach
Fairness-aware Learning through Regularization Approach
 

KDD2016勉強会 資料