SlideShare a Scribd company logo
1 of 61
Multi-Terminal Network Flows
R. E. Gomory and T. C. Hu
Journal of the Society for Industrial and Applied Mathematics, Vol 9, No. 4 pp. 551-570
1
mayoko
フローとは
グラフ 𝐺(𝑉, 𝐸) の各枝 𝑒 ∈ 𝐸に対して, 非負実数の容量 𝑐(𝑒) が定義されている。
また, グラフの 2 点 𝑠, 𝑡 ∈ 𝑉を指定する。
s
2
1 3
t
10
2
6
6 3
8
5
2
フローとは
このグラフ 𝐺 において, 関数 𝑓: 𝐸 → ℝ+ が以下を満たすとき, 𝑓 をフローネットワークと呼ぶ。
容量制限: 0 ≤ 𝑓 𝑒 ≤ 𝑐 𝑒
フロー保存則: ∀𝑣 ∈ 𝑉 − 𝑠, 𝑡 : 𝑣,𝑤 ∈𝐸 𝑓 𝑣, 𝑤 − 𝑤,𝑣 ∈𝐸 𝑓 𝑤, 𝑣 = 0
10 6
4
1
5
6
s
2
1 3
t
10
2
6
6 3
8
5
3
フロー量は 11
カットとは
グラフ G(V, E) の頂点 V の 2 分割 (S, T)のことをカットと言う。
カットに関して, 始点 𝑠 ∈ 𝑆, 𝑡 ∈ 𝑇のとき, ある辺 𝑢, 𝑣 ∈ 𝐸が𝑢 ∈ 𝑆, 𝑣 ∈ 𝑇を満たすとき, 𝑢, 𝑣 を
カットエッジと呼び, カットエッジのコストの総和をカットのサイズと言う。
カットサイズは 11
s
2
1 3
t
10
2
6
6 3
8
5
4
最大フロー・最小カット定理
フローのうち, 始点𝑠から放出されるフローの量が最大のものを最大フローという。
カットのうち, カットサイズが最小のものを最小カットという。
最大フローと最小カットは等しいことが知られている。
5
問題設定
ネットワークグラフ(𝑉, 𝐸, 𝑐)が与えられる。
任意の頂点間 𝑢, 𝑣 ∈ 𝑉に関して, 𝑢を始点, 𝑣を終点とした際の最大フローを考える
6
背景
ネットワークグラフはものの流れを表していると解釈できる
一定のものの流れは常に保障されていてほしいが, なるべくコストは少なくしたい
7
概要
1. Gomory-Hu 木
2. Satisfactory Network
8
概要
1. Gomory-Hu 木
2. Satisfactory Network
9
定理1
各頂点間(𝑁𝑖, 𝑁𝑗)について, この頂点間の最大フローを 𝐹𝑖,𝑗にしたいという要望があったとする。
グラフをうまく作って, 各頂点間の最大フローをぴったり𝐹𝑖,𝑗にしたい。
𝑁0 𝑁1 𝑁2 𝑁3
𝑁0 0 10 15 15
𝑁1 10 0 10 10
𝑁2 15 10 0 20
𝑁3 15 10 20 0
0
1
215
要望𝐹
3
10
20
10
定理1
要望 𝐹 が実現可能であるための必要十分条件は,
∀𝑖, 𝑗, 𝑘: 𝐹𝑖,𝑘 ≥ min(𝐹𝑖,𝑗, 𝐹𝑗,𝑘)
が成り立つことである。
11
定理1
(必要性)
背理法で示す。
𝐹𝑖,𝑘 < min(𝐹𝑖,𝑗, 𝐹𝑗,𝑘)
が成り立つとすると, 頂点 𝑁𝑖, 𝑁𝑘 にあるカット 𝐴 が存在して, そのカットサイズは 𝐹𝑖,𝑘 になる。
𝑁𝑗 ∈ 𝐴 であるとすると, (𝑁𝑗, 𝑁𝑘)は 𝐴 でカットすればカットサイズが 𝐹𝑗,𝑘より小さくなるので, 最小
性に矛盾。
𝑁𝑗 ∈ 𝑉 − 𝐴の場合も 𝐹𝑖,𝑗について同様のことが言える。
12
定理1
(十分性)
∀𝑖, 𝑗, 𝑘: 𝐹𝑖,𝑘 ≥ min(𝐹𝑖,𝑗, 𝐹𝑗,𝑘)
が成り立っているという条件の下で, 要望 𝐹 を満たすグラフを構成する。
これは,要望 𝐹 に関する最大全域木を作れば良い。
13
定理1
要望𝐹から最大全域木を作る。
𝑁0 𝑁1 𝑁2 𝑁3
𝑁0 0 10 15 15
𝑁1 10 0 10 10
𝑁2 15 10 0 20
𝑁3 15 10 20 0
0
1
215
要望𝐹
3
10
20
14
定理1
任意の頂点 𝑁𝑖, 𝑁𝑝について, 木の上での𝑁𝑖 から 𝑁𝑝 へのパスは一意に定まり,
𝐹𝑖,𝑝 ≤ min(𝐹𝑖,𝑗, 𝐹𝑗,𝑘, … , 𝐹𝑜,𝑝)
𝑁0 𝑁1 𝑁2 𝑁3
𝑁0 0 10 15 15
𝑁1 10 0 10 10
𝑁2 15 10 0 20
𝑁3 15 10 20 0
要望𝐹
0
1
215 3
10
20
15
定理1
また, 仮定 ∀𝑖, 𝑗, 𝑘: 𝐹𝑖,𝑘 ≥ min(𝐹𝑖,𝑗, 𝐹𝑗,𝑘)より, 任意のパスについて
𝐹𝑖,𝑝 ≥ min(𝐹𝑖,𝑗, 𝐹𝑗,𝑘, … , 𝐹𝑜,𝑝)
∴ 𝐹𝑖,𝑝 = min(𝐹𝑖,𝑗, 𝐹𝑗,𝑘, … , 𝐹𝑜,𝑝)
𝑁0 𝑁1 𝑁2 𝑁3
𝑁0 0 10 15 15
𝑁1 10 0 10 10
𝑁2 15 10 0 20
𝑁3 15 10 20 0
要望𝐹
0
1
215 3
10
20
16
アルゴリズム1
要望 𝐹 が与えられたときに, その要望を満たすグラフを構成するアルゴリズム
1. 𝐹 から最大全域木を作る(プリム法などが知られている)
2. 定理 1 で与えた不等式を満たすか確かめる
3. 確かめて不等式を満たすなら 構成した木を返す
𝑂 𝑁2 (𝑁は頂点数)で計算できる
17
定理2
ネットワークグラフ(𝑉, 𝐸, 𝑏) が与えられるので, 各頂点間の最大フロー (𝐹𝑖,𝑗)の行列𝐹を構成する, とい
う問題を考える
18
𝑁0 𝑁1 𝑁2 𝑁3
𝑁0 0 10 15 15
𝑁1 10 0 10 10
𝑁2 15 10 0 20
𝑁3 15 10 20 0
𝐹
0
1
215 3
10
20
定理2
観察
ネットワークグラフから構成される行列 𝐹 は当然実現可能
定理 1 の証明から, 行列 𝐹 に現れるユニークな最大フローの値は高々𝑁 − 1種類
𝑁頂点から 2 つの頂点を選ぶ方法は 𝑁(𝑁 − 1)/2あるけど全部調べる必要はないのでは?
19
定理2
上記の問題は𝑁 − 1回最大フローを計算するだけで行列𝐹を構成できる。
これを示すためにいくつかの補題を示す
20
補題1
𝑁𝑖, 𝑁𝑗のカットで最小カットになるものを
𝐴, 𝐴 とする。
また,集合𝐴に𝑁𝑒, 𝑁𝑘があるとする。
このとき,
21
𝑁𝑒, 𝑁𝑘 の間の最大フローは上のグラフと下のグラフで変わらない。
補題1(証明の概略)
𝑁𝑒, 𝑁𝑘 の最小カットについて, 𝐴はどちらか側に寄せても正しい最小カットを返すことが保証でき
る。
この 𝐴を 1 点集中させてもカットは同じだから, 補題が成り立つ。
22
アルゴリズム2
入力:ネットワークグラフ(𝑉, 𝐸, 𝑏)
出力:各頂点間の最大フロー (𝐹𝑖,𝑗)の行列𝐹を求めるための木(Gomory-Hu 木)
1. すべての頂点集合 𝑉をひとつのノードとみなす
2. すべてのノードが要素ひとつの頂点集合になるまで以下を繰り返す。
ノードから任意に 2 つの頂点を選び,
その 2 頂点に関する最小カットを計算する。
その後, 分割された最小カット同士を辺で結ぶ。
23
アルゴリズム2
𝑖 𝑗
B
DC
B
DC
𝐴1
𝐴2
𝐴1 𝐴2
𝑖 と 𝑗 の最大フローは 𝑣𝑣1
𝑣2
𝑣
𝑣1
𝑣2 𝑣3
𝑣3
24
アルゴリズム2 の具体例
このグラフについて木を作ることを考える
25
アルゴリズム2 の具体例
頂点2, 6 を選択
最小カットは (1, 2 | 3, 4, 5, 6)で,
サイズは17
1,2
3,4
5,6
17
26
アルゴリズム2 の具体例
頂点1, 2 を選択
最小カットは (1 | 2, 3, 4, 5, 6)で,
サイズは18
2
3,4
5,6
17
1
18
27
アルゴリズム2 の具体例
頂点3, 6 を選択
最小カットは (1, 2, 6 | 3, 4, 5)で,
サイズは13
2
3,4,
5
17
1
18
6
13
28
アルゴリズム2 の具体例
頂点4, 5 を選択
最小カットは (4 | 1, 2, 3, 5, 6)で,
サイズは14
2 3, 5
17
1
18
6
13
4
14
29
アルゴリズム2 の具体例
頂点3, 5 を選択
最小カットは (3 | 1, 2, 4, 5, 6)で,
サイズは15
すべてのノードがひとつの頂点集合になったので終了
2 5
17
1
18
6
13
4
14
15
3
30
補題2
上記のアルゴリズムで木を生成できるが,
2 つの頂点𝑁𝑖, 𝑁𝑗間のフローは,
min(𝑣𝑖1, 𝑣𝑖2, … , 𝑣𝑖𝑟)
で表される(𝑣𝑖𝑘は頂点間のパスの重みを表す)
例) 頂点 1-4 間の最大フローは 13
2 5
17
1
18
6
13
4
14
15
3
31
補題2の証明
𝐹𝑖𝑗 ≤ min(𝑣1, 𝑣2, … , 𝑣𝑟)
は成り立つ
∵それぞれの edge は, その edge で分割される 2 つの集合間のカットになっている。
𝐹𝑖𝑗は𝑁𝑖, 𝑁𝑗の最小カットのサイズを表しているので, これらの集合によるカット以下である。
あとは
𝐹𝑖𝑗 ≥ min(𝑣1, 𝑣2, … , 𝑣𝑟)
を示せば良い
32
補題2の証明
各ノードは集合をグラフの頂点部分集合と対応している。
隣接したノード 2 つが対応している頂点部分集合を 𝑆1, 𝑆2とする。
このとき, 頂点 𝑁𝑖 ∈ 𝑆1, 𝑁𝑗 ∈ 𝑆2が存在して, 𝑁𝑖, 𝑁𝑗間の最大フローは𝑣であるということを示す
𝑆2𝑆1
𝑣
33
補題2の証明
これが証明できると, 定理 1 から出来た木の中で
𝐹𝑖𝑗 ≥ min(𝑣1, 𝑣2, … , 𝑣𝑟)
が成り立つ
定理1:
要望 𝐹 が実現可能であるための必要十分条件は,
∀𝑖, 𝑗, 𝑘: 𝐹𝑖,𝑘 ≥ min(𝐹𝑖,𝑗, 𝐹𝑗,𝑘)
が成り立つことである。
34
補題2の証明
頂点 𝑁𝑖と 𝑁𝑗について分割して右図のようになったとする
(集合 𝐴𝑖, 𝐴𝑗で分割)
集合 𝐴𝑖, 𝐴𝑗はコスト 𝑣 で隣接しているが,
頂点 𝑁𝑖 ∈ 𝐴𝑖と 𝑁𝑗 ∈ 𝐴𝑗の最大フローが𝑣
35
補題2の証明
この後, 集合 𝐴𝑖内の頂点 𝑁𝑝, 𝑁𝑞で木を分割したとする
頂点 𝑁𝑝側の集合を 𝐴𝑖 𝑝
頂点 𝑁𝑞側の集合を 𝐴𝑖 𝑞
𝐴𝑖 𝑝
と 𝐴𝑖 𝑗
は隣接している
36
補題2の証明
𝑁𝑖 ∈ 𝐴𝑖 𝑝
のとき
𝑁𝑖 ∈ 𝐴𝑖 𝑝
, 𝑁𝑗 ∈ 𝐴𝑗が最大フロー 𝑣を実現するので OK
37
補題2の証明
𝑁𝑖 ∈ 𝐴𝑖 𝑞
のとき
定理1 から
𝐹𝑗𝑝 ≥ min(𝐹𝑗𝑖, 𝐹𝑖𝑞, 𝐹𝑞𝑝)
𝑁𝑗, 𝑁𝑝間のフローを考えるとき集合 𝐴𝑖 𝑞
を一点とみなせ
る(補題2)から
𝐹𝑗𝑝 ≥ min 𝐹𝑗𝑖, 𝐹𝑞𝑝
= min(𝑣, 𝑣′)
38
補題2の証明
辺 𝑣′は頂点 𝑁𝑖, 𝑁𝑗をカットする辺なので,
𝑣′ ≥ 𝐹𝑖𝑗 = 𝑣
よって
𝐹𝑗𝑝 ≥ 𝑣
辺 𝑣は頂点 𝑁𝑗, 𝑁𝑝をカットする辺なので,
𝐹𝑗𝑝 ≤ 𝑣
∴ 𝐹𝑗𝑝 = 𝑣
よって𝐴𝑖 𝑝
, 𝐴𝑗間は頂点𝑁𝑗, 𝑁𝑝が最大フローを𝑣にする
39
概要
1. Gomory-Hu 木
2. Satisfactory Network
40
Satisfactory Network
各頂点間(𝑁𝑖, 𝑁𝑗)について, この頂点間の最大フローを 𝑅𝑖,𝑗以上にしたいという要望があったと
する。
この条件を満たすネットワークグラフのことを Satisfactory Network と言う。
この中で, 各辺の容量の和を最小化したい。
41
Satisfactory Network
Satisfactory Network の例
𝑁0 𝑁1 𝑁2 𝑁3
𝑁0 0 10 15 10
𝑁1 10 0 10 10
𝑁2 15 10 0 20
𝑁3 10 10 20 0
0
1
215
要望𝑅
3
10
20
42
Satisfactory Network について考察
𝑅𝑖,𝑗 に関して 最大全域木をつくる
この木に関して,
𝑅𝑖,𝑝 ≤ min(𝑅𝑖,𝑗, 𝑅𝑗,𝑘, … , 𝑅 𝑜𝑝)
が成り立つので,
𝐹𝑖,𝑝 ≥ min 𝐹𝑖,𝑗, 𝐹𝑗,𝑘, … , 𝐹𝑜,𝑝
≥ min 𝑅𝑖,𝑗, 𝑅𝑗,𝑘, … , 𝑅 𝑜,𝑝
≥ 𝑅𝑖,𝑝
つまり, 最大全域木について 𝑅 の条件を満たせば良い(この最大全域木のことを dominant tree
と言う)。
43
Satisfactory Network について考察
頂点 𝑁𝑖, 𝑁𝑗間の辺の容量を 𝐵𝑖,𝑗とすると, 全体で使う容量(total branch capacity) は,
1
2
𝑖 ≠𝑗
𝐵𝑖,𝑗
ここで, 𝑢𝑖 = max 𝑅𝑖,𝑗 とすると,
1
2
𝑖 ≠𝑗
𝐵𝑖,𝑗 ≥
1
2
𝑖
𝑢𝑖 ≝ 𝐶𝐿
(𝐶𝐿は total branch capacity の下限)
44
Satisfactory Network について考察
木 𝑇 に対して 𝑅𝑖,𝑗が決まっている → 𝐶𝐿が決まる
木 𝑇′ に対して 𝑅′𝑖,𝑗が決まっている → 𝐶′ 𝐿が決まる
45
Satisfactory Network について考察
𝑅𝑖,𝑗
′′
= 𝑅𝑖,𝑗 + 𝑅𝑖,𝑗
′
とすると,
𝐶′′ 𝐿 ≤ 𝐶𝐿 + 𝐶𝐿
′
特に𝑅𝑖,𝑗, 𝑅′𝑖,𝑗がそれぞれ木𝑇, 𝑇′ で一定である(uniform tree)ならば,
𝐶′′ 𝐿 = 𝐶𝐿 + 𝐶𝐿
′
46
Satisfactory Network について考察
同様に,
𝐵𝑖,𝑗
′′
= 𝐵𝑖,𝑗 + 𝐵𝑖,𝑗
′
と容量を決めると,
𝐹𝑖,𝑗
′′
≥ 𝐹𝑖,𝑗 + 𝐹𝑖,𝑗
′
47
Satisfactory Network について考察
Dominant tree に対して,
min(𝑅𝑖,𝑗)による uniform tree
𝑅𝑖,𝑗 − min(𝑅𝑖,𝑗) の要求を持つ森
を作ると, この木に対して
𝐶𝐿は一定
𝐹𝑖,𝑗は 𝑅𝑖,𝑗以上
であるような木を構成することができる
48
アルゴリズム3
入力:ネットワークグラフが満たしてほしい要求 𝑅
出力:各頂点間の最大フローが 𝑅𝑖,𝑗以上になるネットワークグラフ
1. 要求 R から最大全域木(dominant tree) を作る
2. 以下を繰り返す
1. いくつかの木に分かれているので, それぞれの木で
1. コスト最小の辺を選ぶ
2. 木の各辺を 𝑟𝑖,𝑗 = 𝑟𝑖 ,𝑗 − 𝑚𝑖𝑛𝑅として更新する
49
アルゴリズム3
3. Step2 で出来た tree はすべて uniform tree になっている。各コストを𝛽とすると, 各辺のコス
トが 𝛽/2 となるように連結成分でループを作る
4. 上記のループをすべて足しこんだものが答え
50
アルゴリズム3 の例
要求が以下のようなグラフになっていたとする
51
アルゴリズム3 の例
Step 1: 要求 R から最大全域木(dominant tree) を作る
52
アルゴリズム3 の例
Step 2: いくつかの木に分かれているので, それぞれの木で
コスト最小の辺を選ぶ(𝑚𝑖𝑛𝑅とする)
木の各辺を 𝑟𝑖,𝑗 = 𝑟𝑖 ,𝑗 − 𝑚𝑖𝑛𝑅として更新する
53
アルゴリズム3 の例
この dominant tree について考える
1
2
3
45
9
6
7
5
54
アルゴリズム3 の例
まず 2 つの木に分割する
木で最小の辺は 5
1
2
3
45
9
6
7
5
55
アルゴリズム3 の例
1
2
3
45
5
5
5
5
1
2
3
45
4
1
2
Uniform tree
56
アルゴリズム3 の例
1
2
3
4
1 1
2
3
1
1
1
2
3
3
57
アルゴリズム3 の例
Step3: uniform tree からループを作る
1
2
3
45
5
5
5
5
1
2
3
45
5/2
5/2
5/2
5/2
5/2
例
58
アルゴリズム3 の例
1
2
3
45
5/2
5/2
5/2
5/2
5/2
1
2
3
1/2
1/2
1/2
5 4
2
1 3
3
59
アルゴリズム3 の例
Step4: ループをつなぎ合わせる
1
2
3
45
6
5/2
5/2
5/2
5/2
2
1/2 1/2
60
まとめ
ネットワークグラフについて,任意の頂点間の最大フローを考えるという問題を考えた
問題の特徴から高速に各頂点間の最大フローを求めることが出来た
最小コストの Satisfactory Network を求めることが出来た
61

More Related Content

What's hot

IJPC-2 C問題解説
IJPC-2 C問題解説IJPC-2 C問題解説
IJPC-2 C問題解説yutaka1999
 
3.3節 変分近似法(前半)
3.3節 変分近似法(前半)3.3節 変分近似法(前半)
3.3節 変分近似法(前半)tn1031
 
様々な全域木問題
様々な全域木問題様々な全域木問題
様々な全域木問題tmaehara
 
読書会 「トピックモデルによる統計的潜在意味解析」 第2回 3.2節 サンプリング近似法
読書会 「トピックモデルによる統計的潜在意味解析」 第2回 3.2節 サンプリング近似法読書会 「トピックモデルによる統計的潜在意味解析」 第2回 3.2節 サンプリング近似法
読書会 「トピックモデルによる統計的潜在意味解析」 第2回 3.2節 サンプリング近似法健児 青木
 
非正則素数チェッカー #日曜数学会
非正則素数チェッカー #日曜数学会非正則素数チェッカー #日曜数学会
非正則素数チェッカー #日曜数学会Junpei Tsuji
 
Vinculum
VinculumVinculum
Vinculumtomerun
 
トピックモデル3章後半
トピックモデル3章後半トピックモデル3章後半
トピックモデル3章後半Shuuji Mihara
 
「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg
「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg 「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg
「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg Junpei Tsuji
 
第5章 時系列データのモデリング, 補助情報を考慮したモデリング
第5章 時系列データのモデリング, 補助情報を考慮したモデリング第5章 時系列データのモデリング, 補助情報を考慮したモデリング
第5章 時系列データのモデリング, 補助情報を考慮したモデリングksmzn
 
MMDs10.6-7
MMDs10.6-7MMDs10.6-7
MMDs10.6-7mfumi
 
130604 fpgax kibayos
130604 fpgax kibayos130604 fpgax kibayos
130604 fpgax kibayosMikio Yoshida
 
ラグランジュの未定乗数法
ラグランジュの未定乗数法ラグランジュの未定乗数法
ラグランジュの未定乗数法政孝 鍋島
 
ラグランジュの未定乗数法
ラグランジュの未定乗数法ラグランジュの未定乗数法
ラグランジュの未定乗数法nabeshimamasataka
 
読書会 「トピックモデルによる統計的潜在意味解析」 第6回 4.3節 潜在意味空間における分類問題
読書会 「トピックモデルによる統計的潜在意味解析」 第6回 4.3節 潜在意味空間における分類問題読書会 「トピックモデルによる統計的潜在意味解析」 第6回 4.3節 潜在意味空間における分類問題
読書会 「トピックモデルによる統計的潜在意味解析」 第6回 4.3節 潜在意味空間における分類問題健児 青木
 

What's hot (20)

IJPC-2 C問題解説
IJPC-2 C問題解説IJPC-2 C問題解説
IJPC-2 C問題解説
 
3.3節 変分近似法(前半)
3.3節 変分近似法(前半)3.3節 変分近似法(前半)
3.3節 変分近似法(前半)
 
様々な全域木問題
様々な全域木問題様々な全域木問題
様々な全域木問題
 
読書会 「トピックモデルによる統計的潜在意味解析」 第2回 3.2節 サンプリング近似法
読書会 「トピックモデルによる統計的潜在意味解析」 第2回 3.2節 サンプリング近似法読書会 「トピックモデルによる統計的潜在意味解析」 第2回 3.2節 サンプリング近似法
読書会 「トピックモデルによる統計的潜在意味解析」 第2回 3.2節 サンプリング近似法
 
RUPC 2019 Day3 D: 矢
RUPC 2019 Day3 D: 矢RUPC 2019 Day3 D: 矢
RUPC 2019 Day3 D: 矢
 
確率プロット
確率プロット確率プロット
確率プロット
 
非正則素数チェッカー #日曜数学会
非正則素数チェッカー #日曜数学会非正則素数チェッカー #日曜数学会
非正則素数チェッカー #日曜数学会
 
Vinculum
VinculumVinculum
Vinculum
 
トピックモデル3章後半
トピックモデル3章後半トピックモデル3章後半
トピックモデル3章後半
 
M1 gp_Disco
M1 gp_DiscoM1 gp_Disco
M1 gp_Disco
 
「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg
「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg 「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg
「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg
 
第5章 時系列データのモデリング, 補助情報を考慮したモデリング
第5章 時系列データのモデリング, 補助情報を考慮したモデリング第5章 時系列データのモデリング, 補助情報を考慮したモデリング
第5章 時系列データのモデリング, 補助情報を考慮したモデリング
 
MMDs10.6-7
MMDs10.6-7MMDs10.6-7
MMDs10.6-7
 
130604 fpgax kibayos
130604 fpgax kibayos130604 fpgax kibayos
130604 fpgax kibayos
 
直交領域探索
直交領域探索直交領域探索
直交領域探索
 
ラグランジュの未定乗数法
ラグランジュの未定乗数法ラグランジュの未定乗数法
ラグランジュの未定乗数法
 
ラグランジュの未定乗数法
ラグランジュの未定乗数法ラグランジュの未定乗数法
ラグランジュの未定乗数法
 
メッチャ役に立つauto_incrementの話
メッチャ役に立つauto_incrementの話メッチャ役に立つauto_incrementの話
メッチャ役に立つauto_incrementの話
 
読書会 「トピックモデルによる統計的潜在意味解析」 第6回 4.3節 潜在意味空間における分類問題
読書会 「トピックモデルによる統計的潜在意味解析」 第6回 4.3節 潜在意味空間における分類問題読書会 「トピックモデルによる統計的潜在意味解析」 第6回 4.3節 潜在意味空間における分類問題
読書会 「トピックモデルによる統計的潜在意味解析」 第6回 4.3節 潜在意味空間における分類問題
 
FTOUR2
FTOUR2FTOUR2
FTOUR2
 

Similar to Multi terminal networkflows

SuperCon2015予選1級
SuperCon2015予選1級SuperCon2015予選1級
SuperCon2015予選1級winjii
 
これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法kenyanonaka
 
強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現Kazu Ghalamkari
 
University CodeSprint 4 - Magic value
University CodeSprint 4 - Magic valueUniversity CodeSprint 4 - Magic value
University CodeSprint 4 - Magic valuesatanic
 
退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発について退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発についてTakahiro Hashira
 
katagaitai workshop #7 crypto ナップサック暗号と低密度攻撃
katagaitai workshop #7 crypto ナップサック暗号と低密度攻撃katagaitai workshop #7 crypto ナップサック暗号と低密度攻撃
katagaitai workshop #7 crypto ナップサック暗号と低密度攻撃trmr
 
JOIss2020 発表資料
JOIss2020 発表資料JOIss2020 発表資料
JOIss2020 発表資料mdkcpp 1015
 
Prml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティングPrml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティングtakutori
 
暗号技術の実装と数学
暗号技術の実装と数学暗号技術の実装と数学
暗号技術の実装と数学MITSUNARI Shigeo
 
『劣モジュラ最適化と機械学習』 4章
『劣モジュラ最適化と機械学習』 4章『劣モジュラ最適化と機械学習』 4章
『劣モジュラ最適化と機械学習』 4章ayato shimada
 
自然科学の統計学2.2 slideshare
自然科学の統計学2.2 slideshare自然科学の統計学2.2 slideshare
自然科学の統計学2.2 slidesharewada, kazumi
 
(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMMMorpho, Inc.
 
パターン認識と機械学習 13章 系列データ
パターン認識と機械学習 13章 系列データパターン認識と機械学習 13章 系列データ
パターン認識と機械学習 13章 系列データemonosuke
 
指数時間アルゴリズムの最先端
指数時間アルゴリズムの最先端指数時間アルゴリズムの最先端
指数時間アルゴリズムの最先端Yoichi Iwata
 
表現論 ゼミ資料
表現論 ゼミ資料表現論 ゼミ資料
表現論 ゼミ資料HanpenRobot
 
劣モジュラ最適化と機械学習 2.4節
劣モジュラ最適化と機械学習 2.4節劣モジュラ最適化と機械学習 2.4節
劣モジュラ最適化と機械学習 2.4節Hakky St
 
PRML復々習レーン#9 6.3-6.3.1
PRML復々習レーン#9 6.3-6.3.1PRML復々習レーン#9 6.3-6.3.1
PRML復々習レーン#9 6.3-6.3.1sleepy_yoshi
 

Similar to Multi terminal networkflows (20)

SuperCon2015予選1級
SuperCon2015予選1級SuperCon2015予選1級
SuperCon2015予選1級
 
双対性
双対性双対性
双対性
 
これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法
 
強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現
 
Dive into XGBoost.pdf
Dive into XGBoost.pdfDive into XGBoost.pdf
Dive into XGBoost.pdf
 
University CodeSprint 4 - Magic value
University CodeSprint 4 - Magic valueUniversity CodeSprint 4 - Magic value
University CodeSprint 4 - Magic value
 
退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発について退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発について
 
katagaitai workshop #7 crypto ナップサック暗号と低密度攻撃
katagaitai workshop #7 crypto ナップサック暗号と低密度攻撃katagaitai workshop #7 crypto ナップサック暗号と低密度攻撃
katagaitai workshop #7 crypto ナップサック暗号と低密度攻撃
 
JOIss2020 発表資料
JOIss2020 発表資料JOIss2020 発表資料
JOIss2020 発表資料
 
Prml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティングPrml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティング
 
暗号技術の実装と数学
暗号技術の実装と数学暗号技術の実装と数学
暗号技術の実装と数学
 
『劣モジュラ最適化と機械学習』 4章
『劣モジュラ最適化と機械学習』 4章『劣モジュラ最適化と機械学習』 4章
『劣モジュラ最適化と機械学習』 4章
 
自然科学の統計学2.2 slideshare
自然科学の統計学2.2 slideshare自然科学の統計学2.2 slideshare
自然科学の統計学2.2 slideshare
 
(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM
 
第4回
第4回第4回
第4回
 
パターン認識と機械学習 13章 系列データ
パターン認識と機械学習 13章 系列データパターン認識と機械学習 13章 系列データ
パターン認識と機械学習 13章 系列データ
 
指数時間アルゴリズムの最先端
指数時間アルゴリズムの最先端指数時間アルゴリズムの最先端
指数時間アルゴリズムの最先端
 
表現論 ゼミ資料
表現論 ゼミ資料表現論 ゼミ資料
表現論 ゼミ資料
 
劣モジュラ最適化と機械学習 2.4節
劣モジュラ最適化と機械学習 2.4節劣モジュラ最適化と機械学習 2.4節
劣モジュラ最適化と機械学習 2.4節
 
PRML復々習レーン#9 6.3-6.3.1
PRML復々習レーン#9 6.3-6.3.1PRML復々習レーン#9 6.3-6.3.1
PRML復々習レーン#9 6.3-6.3.1
 

Recently uploaded

自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineerYuki Kikuchi
 
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdfクラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdfFumieNakayama
 
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)UEHARA, Tetsutaro
 
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?akihisamiyanaga1
 
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案sugiuralab
 
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdfAWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdfFumieNakayama
 
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...博三 太田
 
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)Hiroshi Tomioka
 

Recently uploaded (8)

自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
 
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdfクラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
 
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
 
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
 
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
 
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdfAWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
 
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
 
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
 

Multi terminal networkflows