IoT/AI時代のテスティング・検証技術の最前線

•

11 likes•6,733 views

Fuyuki Ishikawa

2019/1/11 SQiP研究会特別講義

Software

近年，情報通信技術の発展に伴ってリアルタイムな交通状況を容易に入手できるようになってきている．そして，交通状況に基づいて目的地まで円滑に移動可能な経路を提供するサービスも普及し始めている．しかし，実際の交通状況においては現在の交通状況に関する情報だけで経路を考えるのでは不十分で，今後の交通流を予測する必要がある．本研究では，時間変化する交通状況において目的地まで短い時間で到達できる経路探索を実現することを目的として，深層強化学習を用いた経路探索手法の検証を行った．

強化学習その2

nishio

SSII2020 チュートリアルセッション TS3 6/12 (金) 9:30～10:40　メイン会場 (vimeo + sli.do) 本チュートリアルでは、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本チュートリアルではこれら代表的な説明法及び近年の更なる展開について紹介する。

強化学習アルゴリズムPPOの解説と実験

克海納谷

機械学習モデルの判断根拠の説明（Ver.2）

Satoshi Hara

【第40回AIセミナー】「説明できるAI　〜AIはブラックボックスなのか？〜」 https://www.airc.aist.go.jp/seminar_detail/seminar_040.html 【講演タイトル】機械学習モデルの判断根拠の説明【講演概要】本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演ではこれら近年の代表的な説明法について紹介する。

Recent Advances on Transfer Learning and Related Topics Ver.2

Kota Matsui

[DL輪読会]Graph R-CNN for Scene Graph Generation

Deep Learning JP

強化学習の基礎と深層強化学習（東京大学松尾研究室深層強化学習サマースクール講義資料）

Shota Imai

東京大学松尾研究室が主催する深層強化学習サマースクールの講義で今井が使用した資料の公開版です．強化学習の基礎的な概念や理論から最新の深層強化学習アルゴリズムまで解説しています．巻末には強化学習を勉強するにあたって有用な他資料への案内も載せました．主に以下のような強化学習の概念やアルゴリズムの紹介をしています．・マルコフ決定過程・ベルマン方程式・モデルフリー強化学習・モデルベース強化学習・TD学習・Q学習・SARSA ・適格度トレース・関数近似・方策勾配法・方策勾配定理・DPG ・DDPG ・TRPO ・PPO ・SAC ・Actor-Critic ・DQN（Deep Q-Network）・経験再生・Double DQN ・Prioritized Experience Replay ・Dueling Network ・Categorical DQN ・Noisy Network ・Rainbow ・A3C ・A2C ・Gorila ・Ape-X ・R2D2 ・内発的報酬・カウントベース・擬似カウントベース・RND（Random Network Distillation）・ICM（Intrinsic Curiosity Module）・Go-Explore ・世界モデル（World Models）・MuZero ・SimPLe ・NGU（Never Give Up）・Agent57 ・AlphaGo ・AlphaGo Zero ・AlphaZero ・OpenAI Five ・AlphaStar ・マルチエージェント強化学習

ブレインパッドにおける機械学習プロジェクトの進め方

BrainPad Inc.

Deep learningの発展と化学反応への応用 - 日本化学会第101春季大会(2021)

Preferred Networks

Generative Models（メタサーベイ）

cvpaper. challenge

cvpaper.challenge のメタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。2020の目標は「トップ会議30+本投稿」することです。 http://xpaperchallenge.org/cv/

SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術〜足りない情報をどのように補うか？〜

SSII

6/9 (木) 14:45～15:15 メイン会場講師：石井雅人氏（ソニーグループ株式会社）概要：機械学習技術の急速な発達により、コンピュータによる知的処理は様々なタスクで人間に匹敵あるいは凌駕する性能を達成してきた。一方、このような高い性能は大量かつ高品質な学習データによって支えられており、多様化する機械学習応用においてデータの収集コストが大きな導入障壁の１つとなっている。本講演では、少ないデータやラベルから効率的に学習するための様々な技術について、「足りない情報をどのように補うか？」という観点から概観するとともに、特に画像認識分野における最新の研究動向についても紹介する。

ランダムフォレスト

Kinki University

【基調講演】『深層学習の原理の理解に向けた理論の試み』今泉允聡（東大）

MLSE

機械学習品質管理・保証の動向と取り組み

Shintaro Fukushima

Quality Assurance of Machine Learning-based AI Systems

Fuyuki Ishikawa

機械学習システムの品質に関するソフトウェア工学の動向（と安全性）

Fuyuki Ishikawa