NeurIPS2021読み会の発表スライドです
論文: Fairness in Ranking under Uncertainty
ランキング対象の価値が完全に把握出来ない状況でのランキングにおけるFairnessを定義し、そこで定義されたFairnessを実現するランキングの構成方法を提案した論文です。
Google が 2018 年に発表した深層モデル BERT は、自然言語処理 (NLP) の多くのタスクでブレイクスルーを起こしました。性能面で進歩がある一方で、公平性に関するガイドラインが総務省から発表される等、産業界では解釈可能な AI を求める声が大きくなってきています。そこで本セッションでは、このギャップを埋めるために Microsoft Research が開発している、interpret-text と呼ばれる機械学習ライブラリをご紹介します。BERT を含む、様々な自然言語処理モデルを解釈するための 2 つの方法について解説し、簡単なデモをお見せします。
Deep Learning Digital Conference - connpass
https://dllab.connpass.com/event/178714/
Google が 2018 年に発表した深層モデル BERT は、自然言語処理 (NLP) の多くのタスクでブレイクスルーを起こしました。性能面で進歩がある一方で、公平性に関するガイドラインが総務省から発表される等、産業界では解釈可能な AI を求める声が大きくなってきています。そこで本セッションでは、このギャップを埋めるために Microsoft Research が開発している、interpret-text と呼ばれる機械学習ライブラリをご紹介します。BERT を含む、様々な自然言語処理モデルを解釈するための 2 つの方法について解説し、簡単なデモをお見せします。
Deep Learning Digital Conference - connpass
https://dllab.connpass.com/event/178714/
Seeing Unseens with Machine Learning -- 見えていないものを見出す機械学習Tatsuya Shirakawa
Deep Learningを筆頭に、データから意味やパターンを抽出する機械学習は、いまや誰もが使えるツールになりつつあります。
本セッションでは、AIブームわく最中、機械学習がなぜ大事なのか、どんな使い方をするのが重要になっていくかについて展望しつつ、「見えていなかったものを見出す」というネクストフロンティアになるであろう機械学習の方向性についてお話します。
cvpaper.challengeにおいてECCVのOral論文をまとめた「ECCV 2020 報告」です。
ECCV2020 Oral論文 完全読破(1/2) [https://www.slideshare.net/cvpaperchallenge/eccv2020-oral-12/1]
pp. 7-10 ECCVトレンド
pp. 12-72 Looking at humans
pp. 73-132 Low level vision
pp. 133-198 Recognition & detection
pp. 199-262 Segmentation & scene interpretation and description, language
pp. 263-294 Video & action understanding
pp. 295-296 まとめ
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「トップ会議に30+本投稿」することです。
【CVPR 2020 メタサーベイ】3D From a Single Image and Shape-From-Xcvpaper. challenge
「CVPR 2020 網羅的サーベイ」により作成された 3D From a Single Image and Shape-From-X エリアのメタサーベイ資料です。
CVPR 2020 網羅的サーベイ: http://xpaperchallenge.org/cv/survey/cvpr2020_summaries/listall/
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「トップ会議に30+本投稿」することです。
http://xpaperchallenge.org/cv/
cvpaper.challengeにおいてECCVのOral論文をまとめた「ECCV 2020 報告」です。
ECCV2020 Oral論文 完全読破(2/2) [https://www.slideshare.net/cvpaperchallenge/eccv2020-22-238640597/1]
pp. 7-10 ECCVトレンド
pp. 12-81 3D geometry & reconstruction
pp. 82-137 Geometry, mapping and tracking
pp. 138-206 Image and Video synthesis
pp. 207-252 Learning methods
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「トップ会議に30+本投稿」することです。
Seeing Unseens with Machine Learning -- 見えていないものを見出す機械学習Tatsuya Shirakawa
Deep Learningを筆頭に、データから意味やパターンを抽出する機械学習は、いまや誰もが使えるツールになりつつあります。
本セッションでは、AIブームわく最中、機械学習がなぜ大事なのか、どんな使い方をするのが重要になっていくかについて展望しつつ、「見えていなかったものを見出す」というネクストフロンティアになるであろう機械学習の方向性についてお話します。
cvpaper.challengeにおいてECCVのOral論文をまとめた「ECCV 2020 報告」です。
ECCV2020 Oral論文 完全読破(1/2) [https://www.slideshare.net/cvpaperchallenge/eccv2020-oral-12/1]
pp. 7-10 ECCVトレンド
pp. 12-72 Looking at humans
pp. 73-132 Low level vision
pp. 133-198 Recognition & detection
pp. 199-262 Segmentation & scene interpretation and description, language
pp. 263-294 Video & action understanding
pp. 295-296 まとめ
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「トップ会議に30+本投稿」することです。
【CVPR 2020 メタサーベイ】3D From a Single Image and Shape-From-Xcvpaper. challenge
「CVPR 2020 網羅的サーベイ」により作成された 3D From a Single Image and Shape-From-X エリアのメタサーベイ資料です。
CVPR 2020 網羅的サーベイ: http://xpaperchallenge.org/cv/survey/cvpr2020_summaries/listall/
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「トップ会議に30+本投稿」することです。
http://xpaperchallenge.org/cv/
cvpaper.challengeにおいてECCVのOral論文をまとめた「ECCV 2020 報告」です。
ECCV2020 Oral論文 完全読破(2/2) [https://www.slideshare.net/cvpaperchallenge/eccv2020-22-238640597/1]
pp. 7-10 ECCVトレンド
pp. 12-81 3D geometry & reconstruction
pp. 82-137 Geometry, mapping and tracking
pp. 138-206 Image and Video synthesis
pp. 207-252 Learning methods
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「トップ会議に30+本投稿」することです。
slides describing the following paper:
Octavian-Eugen Ganea et. al., "Hyperbolic Neural Networks", NeurIPS 2018
(NeurIPS 2018 paper reading time at PFN at 2019 Jan. 26th)
Learning to Compose Domain-Specific Transformations for Data AugmentationTatsuya Shirakawa
A. J. Ratner, H. R. Ehrenberg, et al., “Learning to Compose Domain-Specific Transformations for Data Augmentation”, NIPS2017
(https://papers.nips.cc/paper/6916-learning-to-compose-domain-specific-transformations-for-data-augmentation)
Slides for NIPS2017 paper reading meet-up @Tokyo
https://abeja-innovation-meetup.connpass.com/event/75189/
This slide was created for NIP/ICDM study meet-up at Tokyo (Feb. 11, 2017)
paper:
Bert De Brabandere, Xu Jia, Tinne, Tuytelaars, and Luc Van Gool, “Dynamic Filter Networks”, NIPS 2016
Improving Variational Inference with Inverse Autoregressive FlowTatsuya Shirakawa
This slide was created for NIPS 2016 study meetup.
IAF and other related researches are briefly explained.
paper:
Diederik P. Kingma et al., "Improving Variational Inference with Inverse Autoregressive Flow", 2016
https://papers.nips.cc/paper/6581-improving-variational-autoencoders-with-inverse-autoregressive-flow
3. 3
Ranking under Uncertainty
Movie a Movie b … Movie z
User 1
★★★☆
☆
★★★★
☆
User 2
★☆☆☆
☆
★★☆☆
☆
User N
★★☆☆
☆
★★★★
★
post. dist.
or merit
真の価値は、間接的な観測から事後分布
として推定される
estimation
of merit
0.31 0.22 0.42
optimal
ranking #3944 #284
#7502
真の価値の期待値
真の価値の期待値に基づくランキング(ソート)
…
対象の価値(merit, e.g. レーティング)は
間接的・不完全に観測される
…
4. 4
Fairness in Ranking under Uncertainty
Movie a Movie b … Movie z
User 1
★★★☆
☆
★★★★
☆
User 2
★☆☆☆
☆
★★☆☆
☆
User N
★★☆☆
☆
★★★★
★
post. dist.
or merit
真の価値は、間接的な観測から事後分布として
推定される
対象の価値(merit, e.g. レーティング)は間接的・
不完全に観測される
fair
ranking
?
…
5. 5
Fairness in Ranking under Uncertainty
Movie a Movie b … Movie z
User 1
★★★☆
☆
★★★★
☆
User 2
★☆☆☆
☆
★★☆☆
☆
User N
★★☆☆
☆
★★★★
★
post. dist.
or merit
fair
ranking
?
本論文では所与
(ここはドメインエキスパートが頑張る)
本論文で定義・解析
…
6. 6
問題設定
Agent 1
Agent 2
Agent N
merit
post. dist.
utility 1.73
Meritの事後分布が与えられたもとでランキングポリシー(ランキングの分布)の
Fairnessを定義し、Fairなランキングポリシーとはどんなものか解析したい
Principal ランキングエンジン
(ランキング分布にしたがいランキングを生成)
Agent ランキング対象
Merit (Agentの)価値
Utility (ランキングの)効用
仮定: factability
ランキングσ、価値vの効用は価値のランクごとの重み
和の形式
utility
of
ranking σ
merit
of k-th agent
〜 post. dist.
non-increasingな重み
DCG: w_k = 1 / log_2(1 + k)
Average Reciprocal Rank: w_k = 1/k,
Precision@k = w_k = 1[1<=K] / K
所与
#13
0.56
#21
0.42
#4
0.75
#18
0.51
#34
0.27
#7
0.72
#20
0.44
#17
0.50
#2
0.92
…
2.48 1.97
Principal /
ランキングポリシー
π
…