Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

ICML2013読み会 開会宣言

5,743 views

Published on

ICML2013読み会@東大 2013/07/09 開会宣言

Published in: Technology, Education
  • Dating for everyone is here: ♥♥♥ http://bit.ly/2F90ZZC ♥♥♥
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Dating direct: ❤❤❤ http://bit.ly/2F90ZZC ❤❤❤
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here

ICML2013読み会 開会宣言

  1. 1. ICML読み会開会宣⾔言 & “Learning Spatio-Temporal Structure from RGB-D Videos for Human Activity Detection and Anticipation” 比戸 将平 (@sla) 株式会社Preferred Infrastructure
  2. 2. ICML2013読み会開会に寄せて l  こんなに⼈人が集まるとは思ってませんでした!!! l  T-PRIMALでやってた時も20-30⼈人だった気がします l  会場が変更更になってすみません(PFIは会社が⼩小さいので…) l  会場をご⽤用意頂いた中川先⽣生・佐藤先⽣生ありがとうございます l  NIPS読み会など合わせて継続的に開催できればと思います l  そうして機械学習といえばPFIという雰囲気を…(シタゴコロ) 2
  3. 3. l  ICML2013概要 l  個⼈人的な感想 l  RGB-‐‑‒D論論⽂文 Agenda
  4. 4. ICML2013: メイン会場 4
  5. 5. ICML2013: ポスター会場 5
  6. 6. ICML2013: 招待講演 1.  Machine Learning at Scale with GraphLab by Carlos Guestrin l  GAS(Gather-Apply-Scatter)計算モデル l  GraphLab2でスケールアップ、GraphLab3で可⽤用性アップに挑戦中 2.  High-dimensional Sampling Algorithms and their Applications by Santosh Vempala l  Convex, Convex, and Convex 3.  Acoustic Modeling and Deep Learning for Speech Recognition by Vincent Vanhoucke (Google Voice Search) l  Deep Learningが爆発的に広がった原因 l  Deep Belief Networks [Bengio+, 2007]からの理理論論的蓄積 l  GPGPUなどの安い計算資源と利利⽤用⽅方法が確⽴立立された l  Dataが増えた(+dropout) l  ‘10、’11にHinton系学⽣生がGoogle等でインターン 6
  7. 7. ICML2013まとめ:Sparse, Deep, and Random 論論⽂文中のキーワードランキング 7 イメージより多いもの イメージより少ないもの •  Sparse, Random, Multiほにゃらら、Banditなどが多い •  Kernel、SVM、Reinforcement、Bayesianなどが少ない http://www.machinedlearnings.com/2013/06/icml-2013-sparse-deep-and-random.html
  8. 8. 本⽇日のラインナップ: バランス良良くばらけてます(強引) l  @sla : "Learning Spatio-Temporal Structure from RGB-D Videos for Human Activity...” l  @beam2d: "Local Deep Kernel Learning for Efficient Non-linear SVM Prediction” l  @conditional: "Vanishing Component Analysis” l  @jkomiyama_ : "Active Learning for Multi-Objective Optimization” l  @kisa12012 : "Large-Scale Learning with Less RAM via Randomization” l  @Quasi_quant2010 : "Topic Discovery through Data Dependent and Random Projections” l  @tabe2314 : "Fast Image Tagging” l  @unnonouno : "ELLA: An Efficient Lifelong Learning Algorithm” l  @sleepy_yoshi : "Distributed Training of Large-scale Logistic Models" 8 ---Sparse ---Deep (?) ---Random ---Others(Spatio-Temporal, Component Analysis, Multi-taskDistributed)
  9. 9. l  ICML2013概要 l  個⼈人的な感想 l  RGB-‐‑‒D論論⽂文 Agenda
  10. 10. 個⼈人的な感想:もうi.i.dはいいのではないか l  特に時系列列的な要素を⼊入れてる論論⽂文が圧倒的に少ない l  実応⽤用は時系列列的な要素を含む場合がほとんどではないのか l  「オンラインだけどサンプルはi.i.d」って応⽤用がどれほどあるのか l  ⾮非i.i.dになるととたんに理理論論解析は難しくなる、のはわかる l  が、機械学習コミュニティとしてもっとこの⽅方向に進んでほしい 10
  11. 11. 違う⽅方向性: 学習時・予測時に何らかの動的特性 l  3つのワークショップで同じような話をしていた l  Robot Learning l  Machine Learning with Test-Time Budgets l  Learning with Sequential Models l  違うアプローチ l  Cost-sensitive Learning l  Imitation Learning / Interactive Learning l  Reinforcement Learning l  Imperative Learning (Data Search/Aggregation) l  違うコスト設定 l  予測にコストがかかる(Anytime化、カスケード化) l  ラベルを得るのにコストがかかる l  サンプルを得るのにコストがかかる l  各Featureを得るのにコストがかかる11
  12. 12. そういう⽅方向におけるマイルストーン的論論⽂文: DAgger [Ross+, AISTATS’11] l  Dataset Aggregator 12 Ross et al., A Reduction of Imitation Learning and Structured Prediction to No-Regret Online Learning, AISTATS'11
  13. 13. l  ICML2013概要 l  個⼈人的な感想 l  RGB-‐‑‒D論論⽂文 Agenda
  14. 14. Learning Spatio-Temporal Structure from RGB-D Videos for Human Activity Detection and Anticipation" l  著者1: Hemi Koppula (Cornell University) l  著者2: Ashtosh Saxena (Cornell University) l  Andrew Ngの弟⼦子、Robot/CV周辺でもりもり成果出してる l  Robot LearningでもInvited Talkやってた l  ⼊入⼒力力:RGB-D映像(⾊色+奥⾏行行き) l  ⽬目的:⼈人とモノの関係の学習と予測 l  Activity Detection: 現在の動きのラベルを予測 l  モノのアフォーダンスラベル、Sub-activityラベルも含む l  Activity Anticipation: 次の動き⽅方を予測 14
  15. 15. 実際には動画をご覧ください l  http://pr.cs.cornell.edu/anticipation/ 15
  16. 16. 複数種類のヒト・モノのリレーション l  Cutting-plane training of structural SVMs [Joachims+, MLJ2009] 16

×