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/
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/
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.
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).