2. ⾃⼰紹介
n 名前︓すみもとぱんいち
n twitter︓kogepan102
n 研究してた分野︓分布外検知
n ブログ︓https://panhouse.blog/ (⼀週間で飽きる)
n 最近の出来事︓単位が⾜りずに留年し、
株式会社パンハウス(https://panhouse.jp/)を設⽴
n 夢︓タワーマンションに住んで朝⽇を浴びつつエスプレッソを飲むこと
n ⼀⾔︓発表について質問などあれば随時slido(#762 373)にお願いします
2
3. ICLR2021の個⼈的⾯⽩かった論⽂をいくつか紹介します
n MiCE: Mixture of Contrastive Experts for Unsupervised Image Clustering
n Enjoy Your Editing: Controllable GANs for Image Editing via Latent Space Navigation
n Getting a CLUE: A Method for Explaining Uncertainty Estimates
n Long-tail learning via logit adjustment(時間あれば)
3
4. 書誌情報1
n 論⽂タイトル︓MiCE: Mixture of Contrastive Experts for Unsupervised Image Clustering
n ICLR2021のposter
n ⼀⾔でいうと︓Deep ClusteringとContrastive Learningを統合した枠組みで最強のクラスタ
リング⼿法を提案
4
5. 事前知識︓Contrastive Learning
n Contrastive Learningは2020くらいから流⾏りだした⾃⼰教師あり学習の⼿法の1つ
n オーグメンテーションした元画像の潜在表現(positive sample)は近づけ、別の画像の潜在表現
(negative sample)は遠ざけるように学習することで、ラベルなしで下流タスクが解けるような良い
表現を得ることが⽬的
n SimCLR [Chen+ 2020]・MoCo [He+ 2020]
n よく使われるロス関数はinfoNCE[Oood+ 2018]
n ※ データセットにクラスターが
あることは仮定されてない
5
positive sample
positive sample negative sample
[Li+ 2020]から引⽤し⼀部改変
9. 提案⼿法は2つの関数からなる
n ゲート関数︓⼊⼒のクラス確率
n gはxの関数
n ソフトマックス関数
n エキスパート関数︓クラスで条件づけたinfoNCE
n Φはクラスタータイプごとに決まる関数
n v,fはxの関数
n μはクラスターのプロトタイプ
n Zは正規化定数で正確に求められないので近似する
n ν(<N)の数を⼤きくすることで正確な正規化定数に近づく
9
13. 書誌情報2
n 論⽂タイトル︓Enjoy Your Editing: Controllable GANs for Image Editing via Latent Space
Navigation
n ICLR2021のポスター
n ⼀⾔でいうと︓属性を学習させた回帰モデルを加えてGANを学習することで、⽣成した画
像にDisentangleな属性を付与できる
13
21. 書誌情報3
n 論⽂タイトル︓Getting a CLUE: A Method for Explaining Uncertainty Estimates
n ICLR2021のoral
n ⼀⾔でいうと︓BNNなどを利⽤した不確かさの予測から、⼊⼒がなぜ不確かだったのかの⼿
がかりを得る⼿法を提案した
21
26. 書誌情報4
n 論⽂タイトル︓Long-tail learning via logit adjustment
n ICLR2021のposter
n ⼀⾔でいうと︓統計的に根拠のあるやり⽅でlong-tail learningのフレームワークを統合し、
新たな事後的な重み修正もしくはロス関数の修正を提案する
26
27. 事前知識
n クラスが不均衡であるときの評価指標
n クラスごとにエラー率を計算しそれを平均する︓balanced error
n → 多数ラベルのエラー率だけを減らせば全体のエラー率を下げられるという問題に対応している
n クラスの不均衡問題を解決するために、主に3つのやり⽅がある
1. ⼊⼒を⼯夫する︓over- or under-sampling
2. 出⼒を⼯夫する︓決定境界に関してpost-hocな修正を⾏う
3. モデルの訓練⽅法を⼯夫する︓ロス関数を修正する
n → この論⽂では2・3に着⽬する
27
30. 提案⼿法の⽅針
n ⽬的はbalanced errorの最⼩化
n 上記を満たすのは
n balanced クラス確率の定義より、
n 次の出⼒を仮定する
n このとき、
n ここから、2つの⽅針が導かれる
1. p(y|x)を推定し、ロジットをpost-hocに修正する
2. ロジットが上式になるようにして、balanced クラス確率を直接推定する
30