産業規模のデータを扱う機械学習では、データが変化することの影響により、計算にかかる時間やコストが爆発的に増えていきます。
Amazonが開発しているSageMakerを用いることで、時間もコストも大幅に減らすことができるという論文を解説しました。
参考にした論文はこちら
Liberty, Edo, et al. "Elastic machine learning algorithms in amazon sagemaker." Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data. 2020.
2019年10月25日、CTC Forum 2019@品川。楽天ではどのようにビッグデータの活用を行っているのか、データサイエンスおよびAIの視点でプレゼンテーションが行われた。登壇者:勝山 公雄(Senior Manager, Global Data Supervisory Department, Rakuten, Inc.)
産業規模のデータを扱う機械学習では、データが変化することの影響により、計算にかかる時間やコストが爆発的に増えていきます。
Amazonが開発しているSageMakerを用いることで、時間もコストも大幅に減らすことができるという論文を解説しました。
参考にした論文はこちら
Liberty, Edo, et al. "Elastic machine learning algorithms in amazon sagemaker." Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data. 2020.
2019年10月25日、CTC Forum 2019@品川。楽天ではどのようにビッグデータの活用を行っているのか、データサイエンスおよびAIの視点でプレゼンテーションが行われた。登壇者:勝山 公雄(Senior Manager, Global Data Supervisory Department, Rakuten, Inc.)
Econ Fiesta 2に登壇させていただいた際のスライドです。
サイバーエージェント AI Lab Research Scientistの冨田が、社内の身近なところでマッチング・マーケットデザインの知見を活かして社内向けwebアプリを作ってみたというお話しです。
https://sansan.connpass.com/event/203771/
ストリートビューの画像データにディープラーニングを適用することで、その地域の豊かさを予測するという研究の紹介です。
他の地域で学習したモデルを転移学習に用いることができるということも実験的に示されています。
Suel, Esra, et al. "Measuring social, environmental and health inequalities using deep learning and street imagery." Scientific reports 9.1 (2019): 1-10.
解説動画はこちら → https://youtu.be/m0A9HvYx1wo
データ拡張 (Data Augmentation) を学習中に使い分けるRefined Data Augmentationについて解説しました。
He, Zhuoxun, et al. "Data augmentation revisited: Rethinking the distribution gap between clean and augmented data." arXiv preprint arXiv:1909.09148 (2019).
機械学習の社会実装では、予測精度が高くても、機械学習がブラックボックであるために使うことができないということがよく起きます。
このスライドでは機械学習が不得意な予測結果の根拠を示すために考案されたLIMEの論文を解説します。
Ribeiro, Marco Tulio, Sameer Singh, and Carlos Guestrin. "" Why should i trust you?" Explaining the predictions of any classifier." Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. 2016.
表形式データのために提案されたDNNをベースとしたモデルとXGBoostを比較した論文を解説。
DNNとXGBoostの両方を用いたアンサンブル学習が良い性能が出たという実験結果などを紹介します。
Shwartz-Ziv, Ravid, and Amitai Armon. "Tabular Data: Deep Learning is Not All You Need." arXiv preprint arXiv:2106.03253 (2021).
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matchingharmonylab
公開URL:https://arxiv.org/pdf/2404.19174
出典:Guilherme Potje, Felipe Cadar, Andre Araujo, Renato Martins, Erickson R. ascimento: XFeat: Accelerated Features for Lightweight Image Matching, Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2023)
概要:リソース効率に優れた特徴点マッチングのための軽量なアーキテクチャ「XFeat(Accelerated Features)」を提案します。手法は、局所的な特徴点の検出、抽出、マッチングのための畳み込みニューラルネットワークの基本的な設計を再検討します。特に、リソースが限られたデバイス向けに迅速かつ堅牢なアルゴリズムが必要とされるため、解像度を可能な限り高く保ちながら、ネットワークのチャネル数を制限します。さらに、スパース下でのマッチングを選択できる設計となっており、ナビゲーションやARなどのアプリケーションに適しています。XFeatは、高速かつ同等以上の精度を実現し、一般的なラップトップのCPU上でリアルタイムで動作します。
セル生産方式におけるロボットの活用には様々な問題があるが,その一つとして 3 体以上の物体の組み立てが挙げられる.一般に,複数物体を同時に組み立てる際は,対象の部品をそれぞれロボットアームまたは治具でそれぞれ独立に保持することで組み立てを遂行すると考えられる.ただし,この方法ではロボットアームや治具を部品数と同じ数だけ必要とし,部品数が多いほどコスト面や設置スペースの関係で無駄が多くなる.この課題に対して音𣷓らは組み立て対象物に働く接触力等の解析により,治具等で固定されていない対象物が組み立て作業中に運動しにくい状態となる条件を求めた.すなわち,環境中の非把持対象物のロバスト性を考慮して,組み立て作業条件を検討している.本研究ではこの方策に基づいて,複数物体の組み立て作業を単腕マニピュレータで実行することを目的とする.このとき,対象物のロバスト性を考慮することで,仮組状態の複数物体を同時に扱う手法を提案する.作業対象としてパイプジョイントの組み立てを挙げ,簡易な道具を用いることで単腕マニピュレータで複数物体を同時に把持できることを示す.さらに,作業成功率の向上のために RGB-D カメラを用いた物体の位置検出に基づくロボット制御及び動作計画を実装する.
This paper discusses assembly operations using a single manipulator and a parallel gripper to simultaneously
grasp multiple objects and hold the group of temporarily assembled objects. Multiple robots and jigs generally operate
assembly tasks by constraining the target objects mechanically or geometrically to prevent them from moving. It is
necessary to analyze the physical interaction between the objects for such constraints to achieve the tasks with a single
gripper. In this paper, we focus on assembling pipe joints as an example and discuss constraining the motion of the
objects. Our demonstration shows that a simple tool can facilitate holding multiple objects with a single gripper.