Submit Search
Upload
情報理工学院情報工学系村田研究室.pptx
•
0 likes
•
108 views
T
tm1966
Follow
高校生・受験生のための東京工業大学オープンキャンパス2023 (2023.8.10(木)) 情報理工学院 情報工学系 研究室紹介
Read less
Read more
Technology
Report
Share
Report
Share
1 of 24
Recommended
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Atsushi KOMIYA
ナレッジグラフ入門
ナレッジグラフ入門
KnowledgeGraph
多腕バンディット問題: 定式化と応用 (第13回ステアラボ人工知能セミナー)
多腕バンディット問題: 定式化と応用 (第13回ステアラボ人工知能セミナー)
STAIR Lab, Chiba Institute of Technology
ICLR2019 読み会in京都 ICLRから読み取るFeature Disentangleの研究動向
ICLR2019 読み会in京都 ICLRから読み取るFeature Disentangleの研究動向
Yamato OKAMOTO
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
文献調査をどのように行うべきか?
文献調査をどのように行うべきか?
Yuichi Goto
[DL Hacks]Variational Approaches For Auto-Encoding Generative Adversarial Ne...
[DL Hacks]Variational Approaches For Auto-Encoding Generative Adversarial Ne...
Deep Learning JP
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
Recommended
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Newman アルゴリズムによるソーシャルグラフのクラスタリング
Atsushi KOMIYA
ナレッジグラフ入門
ナレッジグラフ入門
KnowledgeGraph
多腕バンディット問題: 定式化と応用 (第13回ステアラボ人工知能セミナー)
多腕バンディット問題: 定式化と応用 (第13回ステアラボ人工知能セミナー)
STAIR Lab, Chiba Institute of Technology
ICLR2019 読み会in京都 ICLRから読み取るFeature Disentangleの研究動向
ICLR2019 読み会in京都 ICLRから読み取るFeature Disentangleの研究動向
Yamato OKAMOTO
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
文献調査をどのように行うべきか?
文献調査をどのように行うべきか?
Yuichi Goto
[DL Hacks]Variational Approaches For Auto-Encoding Generative Adversarial Ne...
[DL Hacks]Variational Approaches For Auto-Encoding Generative Adversarial Ne...
Deep Learning JP
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for Graphs
Takuya Akiba
Structural data analysis based on multilayer networks
Structural data analysis based on multilayer networks
tm1966
トピックモデルを用いた 潜在ファッション嗜好の推定
トピックモデルを用いた 潜在ファッション嗜好の推定
Takashi Kaneda
Linked Open Data勉強会2020 後編:SPARQLの簡単な使い方、SPARQLを使った簡単なアプリ開発
Linked Open Data勉強会2020 後編:SPARQLの簡単な使い方、SPARQLを使った簡単なアプリ開発
KnowledgeGraph
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
[DL輪読会]Encoder-Decoder with Atrous Separable Convolution for Semantic Image S...
[DL輪読会]Encoder-Decoder with Atrous Separable Convolution for Semantic Image S...
Deep Learning JP
SakataMoriLab GNN勉強会第一回資料
SakataMoriLab GNN勉強会第一回資料
ttt_miura
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
Deep Learning JP
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
ナレッジグラフ推論チャレンジ:応募に向けた「技術勉強会」資料
ナレッジグラフ推論チャレンジ:応募に向けた「技術勉強会」資料
KnowledgeGraph
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
Deep Learning JP
5 クラスタリングと異常検出
5 クラスタリングと異常検出
Seiichi Uchida
ナレッジグラフ/LOD利用技術の入門(後編)
ナレッジグラフ/LOD利用技術の入門(後編)
KnowledgeGraph
Capsule Graph Neural Network
Capsule Graph Neural Network
harmonylab
時系列データ分析
時系列データ分析
graySpace999
StyleGAN解説 CVPR2019読み会@DeNA
StyleGAN解説 CVPR2019読み会@DeNA
Kento Doi
Tokyowebmining ctr-predict
Tokyowebmining ctr-predict
正志 坪坂
第3回ナレッジグラフ推論チャレンジ2020の紹介
第3回ナレッジグラフ推論チャレンジ2020の紹介
KnowledgeGraph
モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略
Kei Nakagawa
生成系ニューラルネットワークまとめ Summary of Generative Neural Network
生成系ニューラルネットワークまとめ Summary of Generative Neural Network
Youichiro Miyake
Webプランニング&デザイン チームF
Webプランニング&デザイン チームF
purinxxx
深層学習と自動診断
深層学習と自動診断
Daiki Shimada
More Related Content
What's hot
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for Graphs
Takuya Akiba
Structural data analysis based on multilayer networks
Structural data analysis based on multilayer networks
tm1966
トピックモデルを用いた 潜在ファッション嗜好の推定
トピックモデルを用いた 潜在ファッション嗜好の推定
Takashi Kaneda
Linked Open Data勉強会2020 後編:SPARQLの簡単な使い方、SPARQLを使った簡単なアプリ開発
Linked Open Data勉強会2020 後編:SPARQLの簡単な使い方、SPARQLを使った簡単なアプリ開発
KnowledgeGraph
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
[DL輪読会]Encoder-Decoder with Atrous Separable Convolution for Semantic Image S...
[DL輪読会]Encoder-Decoder with Atrous Separable Convolution for Semantic Image S...
Deep Learning JP
SakataMoriLab GNN勉強会第一回資料
SakataMoriLab GNN勉強会第一回資料
ttt_miura
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
Deep Learning JP
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
ナレッジグラフ推論チャレンジ:応募に向けた「技術勉強会」資料
ナレッジグラフ推論チャレンジ:応募に向けた「技術勉強会」資料
KnowledgeGraph
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
Deep Learning JP
5 クラスタリングと異常検出
5 クラスタリングと異常検出
Seiichi Uchida
ナレッジグラフ/LOD利用技術の入門(後編)
ナレッジグラフ/LOD利用技術の入門(後編)
KnowledgeGraph
Capsule Graph Neural Network
Capsule Graph Neural Network
harmonylab
時系列データ分析
時系列データ分析
graySpace999
StyleGAN解説 CVPR2019読み会@DeNA
StyleGAN解説 CVPR2019読み会@DeNA
Kento Doi
Tokyowebmining ctr-predict
Tokyowebmining ctr-predict
正志 坪坂
第3回ナレッジグラフ推論チャレンジ2020の紹介
第3回ナレッジグラフ推論チャレンジ2020の紹介
KnowledgeGraph
モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略
Kei Nakagawa
生成系ニューラルネットワークまとめ Summary of Generative Neural Network
生成系ニューラルネットワークまとめ Summary of Generative Neural Network
Youichiro Miyake
What's hot
(20)
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for Graphs
Structural data analysis based on multilayer networks
Structural data analysis based on multilayer networks
トピックモデルを用いた 潜在ファッション嗜好の推定
トピックモデルを用いた 潜在ファッション嗜好の推定
Linked Open Data勉強会2020 後編:SPARQLの簡単な使い方、SPARQLを使った簡単なアプリ開発
Linked Open Data勉強会2020 後編:SPARQLの簡単な使い方、SPARQLを使った簡単なアプリ開発
深層生成モデルと世界モデル
深層生成モデルと世界モデル
[DL輪読会]Encoder-Decoder with Atrous Separable Convolution for Semantic Image S...
[DL輪読会]Encoder-Decoder with Atrous Separable Convolution for Semantic Image S...
SakataMoriLab GNN勉強会第一回資料
SakataMoriLab GNN勉強会第一回資料
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
ナレッジグラフ推論チャレンジ:応募に向けた「技術勉強会」資料
ナレッジグラフ推論チャレンジ:応募に向けた「技術勉強会」資料
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
5 クラスタリングと異常検出
5 クラスタリングと異常検出
ナレッジグラフ/LOD利用技術の入門(後編)
ナレッジグラフ/LOD利用技術の入門(後編)
Capsule Graph Neural Network
Capsule Graph Neural Network
時系列データ分析
時系列データ分析
StyleGAN解説 CVPR2019読み会@DeNA
StyleGAN解説 CVPR2019読み会@DeNA
Tokyowebmining ctr-predict
Tokyowebmining ctr-predict
第3回ナレッジグラフ推論チャレンジ2020の紹介
第3回ナレッジグラフ推論チャレンジ2020の紹介
モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略
生成系ニューラルネットワークまとめ Summary of Generative Neural Network
生成系ニューラルネットワークまとめ Summary of Generative Neural Network
Similar to 情報理工学院情報工学系村田研究室.pptx
Webプランニング&デザイン チームF
Webプランニング&デザイン チームF
purinxxx
深層学習と自動診断
深層学習と自動診断
Daiki Shimada
DeNAにおける機械学習・深層学習活用
DeNAにおける機械学習・深層学習活用
Kazuki Fujikawa
20160601画像電子学会
20160601画像電子学会
nlab_utokyo
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
Keiichiro Ono
探求の道 Lead Clearly
探求の道 Lead Clearly
Yutaka KATAYAMA
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
Preferred Networks
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
Preferred Networks
20150930
20150930
nlab_utokyo
ソシオナイト Vol.02「デジタル社会のなかで僕たちは出会う」_河島資料
ソシオナイト Vol.02「デジタル社会のなかで僕たちは出会う」_河島資料
茂生 河島
[DL輪読会]Life-Long Disentangled Representation Learning with Cross-Domain Laten...
[DL輪読会]Life-Long Disentangled Representation Learning with Cross-Domain Laten...
Deep Learning JP
勉強会用スライド
勉強会用スライド
harmonylab
mi-1. 人工知能の概要
mi-1. 人工知能の概要
kunihikokaneko1
cvpaper.challenge in CVPR2015 (PRMU2015年12月)
cvpaper.challenge in CVPR2015 (PRMU2015年12月)
cvpaper. challenge
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
cvpaper. challenge
情報教育における7つのネット・リテラシー
情報教育における7つのネット・リテラシー
Tatsuya (Saeki) Takiguchi
ビッグデータとは
ビッグデータとは
Takafumi Nakanishi
20020731 ku-librarians勉強会 #34 : 大学図書館にもとめられるもの
20020731 ku-librarians勉強会 #34 : 大学図書館にもとめられるもの
kulibrarians
予測の不確かさのユーザー調査
予測の不確かさのユーザー調査
tmtm otm
Sna book chapter_5
Sna book chapter_5
Kenji Koshikawa
Similar to 情報理工学院情報工学系村田研究室.pptx
(20)
Webプランニング&デザイン チームF
Webプランニング&デザイン チームF
深層学習と自動診断
深層学習と自動診断
DeNAにおける機械学習・深層学習活用
DeNAにおける機械学習・深層学習活用
20160601画像電子学会
20160601画像電子学会
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
探求の道 Lead Clearly
探求の道 Lead Clearly
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20150930
20150930
ソシオナイト Vol.02「デジタル社会のなかで僕たちは出会う」_河島資料
ソシオナイト Vol.02「デジタル社会のなかで僕たちは出会う」_河島資料
[DL輪読会]Life-Long Disentangled Representation Learning with Cross-Domain Laten...
[DL輪読会]Life-Long Disentangled Representation Learning with Cross-Domain Laten...
勉強会用スライド
勉強会用スライド
mi-1. 人工知能の概要
mi-1. 人工知能の概要
cvpaper.challenge in CVPR2015 (PRMU2015年12月)
cvpaper.challenge in CVPR2015 (PRMU2015年12月)
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
情報教育における7つのネット・リテラシー
情報教育における7つのネット・リテラシー
ビッグデータとは
ビッグデータとは
20020731 ku-librarians勉強会 #34 : 大学図書館にもとめられるもの
20020731 ku-librarians勉強会 #34 : 大学図書館にもとめられるもの
予測の不確かさのユーザー調査
予測の不確かさのユーザー調査
Sna book chapter_5
Sna book chapter_5
More from tm1966
Networks, Deep Learning and COVID-19
Networks, Deep Learning and COVID-19
tm1966
友人関係と感染症伝搬をネットワークで理解する
友人関係と感染症伝搬をネットワークで理解する
tm1966
Graph Neural Networks
Graph Neural Networks
tm1966
Network analysis and visualization by Google Colaboratory
Network analysis and visualization by Google Colaboratory
tm1966
Networks, Deep Learning (and COVID-19)
Networks, Deep Learning (and COVID-19)
tm1966
20191107 deeplearningapproachesfornetworks
20191107 deeplearningapproachesfornetworks
tm1966
Introduction of network analysis with Google Colaboratory -- Diffusion in Net...
Introduction of network analysis with Google Colaboratory -- Diffusion in Net...
tm1966
Introduction of network analysis with Google Colaboratory -- Network Models
Introduction of network analysis with Google Colaboratory -- Network Models
tm1966
Introduction of network analysis with Google Colaboratory -- Network Algorithms
Introduction of network analysis with Google Colaboratory -- Network Algorithms
tm1966
Introduction of network analysis with Google Colaboratory -- Network Metrics
Introduction of network analysis with Google Colaboratory -- Network Metrics
tm1966
Introduction of network analysis with Google Colaboratory -- Example of Netwo...
Introduction of network analysis with Google Colaboratory -- Example of Netwo...
tm1966
Introduction of network analysis with Google Colaboratory -- Introduction of ...
Introduction of network analysis with Google Colaboratory -- Introduction of ...
tm1966
Introduction of network analysis with Google Colaboratory -- Orientation
Introduction of network analysis with Google Colaboratory -- Orientation
tm1966
20160901 jwein
20160901 jwein
tm1966
20140925 multilayernetworks
20140925 multilayernetworks
tm1966
More from tm1966
(15)
Networks, Deep Learning and COVID-19
Networks, Deep Learning and COVID-19
友人関係と感染症伝搬をネットワークで理解する
友人関係と感染症伝搬をネットワークで理解する
Graph Neural Networks
Graph Neural Networks
Network analysis and visualization by Google Colaboratory
Network analysis and visualization by Google Colaboratory
Networks, Deep Learning (and COVID-19)
Networks, Deep Learning (and COVID-19)
20191107 deeplearningapproachesfornetworks
20191107 deeplearningapproachesfornetworks
Introduction of network analysis with Google Colaboratory -- Diffusion in Net...
Introduction of network analysis with Google Colaboratory -- Diffusion in Net...
Introduction of network analysis with Google Colaboratory -- Network Models
Introduction of network analysis with Google Colaboratory -- Network Models
Introduction of network analysis with Google Colaboratory -- Network Algorithms
Introduction of network analysis with Google Colaboratory -- Network Algorithms
Introduction of network analysis with Google Colaboratory -- Network Metrics
Introduction of network analysis with Google Colaboratory -- Network Metrics
Introduction of network analysis with Google Colaboratory -- Example of Netwo...
Introduction of network analysis with Google Colaboratory -- Example of Netwo...
Introduction of network analysis with Google Colaboratory -- Introduction of ...
Introduction of network analysis with Google Colaboratory -- Introduction of ...
Introduction of network analysis with Google Colaboratory -- Orientation
Introduction of network analysis with Google Colaboratory -- Orientation
20160901 jwein
20160901 jwein
20140925 multilayernetworks
20140925 multilayernetworks
Recently uploaded
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
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
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
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
FumieNakayama
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
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
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.pdf
FumieNakayama
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
Recently uploaded
(12)
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
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
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)
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
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...
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
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.pdf
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
情報理工学院情報工学系村田研究室.pptx
1.
研究室紹介 ネットワークから知識を見出す 情報理工学院 情報工学系 村田剛志 研究室のホームページ (このスライドも公開しています)
2.
大学の「教育」と「研究」 「教育」 • (既にある)学問を学ぶ • 教科書を学ぶ 「研究」 •
(新たな)学問を作る • 未来の教科書を作る
3.
目次 • ネットワークはおもしろい • ネットワークは役に立つ
4.
目次 • ネットワークはおもしろい • ネットワークは役に立つ
5.
友人はいますか? • あなたには、何人の友人がいますか? • あなたの友人には、何人の友人がいますか? •
どちらが多いですか? • それはなぜですか?
6.
あなたより、あなたの友人の方が、友人が多い • なぜでしょう? • 大雑把な説明:赤の側には、最低1人は友人 がいる(友人がゼロなら赤の側には現れない) あなたの友人
あなたの友人 の友人 < 多くの場合 あなた あなたの友人
7.
友人の友人数は? • 人(頂点)の数が𝑛、友人関係(辺)の数が𝑚の ネットワークを考える • 友人数が𝑘人である確率を
𝑝𝑘 とする • あなたの友人の友人数が𝑘である確率は? – 𝑝𝑘ではない(友人ゼロの人は選ばれないから) – ランダムに友人を選ぶ A B C D E 頂点: 𝑛 辺: 𝑚 B C E D A 2𝑚-1本からランダムに選ぶ (1本は自分がたどった辺)
8.
友人の友人数は? • ランダムに選んだ特定の友人の友人数が𝑘人 である確率: 𝑘
2𝑚 − 1 ≈ 𝑘 2𝑚 • そのような(友人数が𝑘の)人は 𝑛𝑝𝑘人いる • 友人の友人数が𝑘である確率: 𝑘 2𝑚 × 𝑛𝑝𝑘 = 𝑘𝑝𝑘 𝑘 • 確率は 𝑝𝑘 ではなく 𝑘𝑝𝑘に比例 𝑘 = 2𝑚 𝑛 は定数 友人の多い人が赤の側に現れやすい A B C D E 2𝑚-1本からランダムに選ぶ
9.
あなたより、あなたの友人の方が、友人が多い • あなたの友人数の平均 :
𝑘 = 2𝑚 𝑛 • あなたの友人の友人数の平均: 𝑘 𝑘 𝑘𝑝𝑘 𝑘 = 𝑘2 𝑘 • 𝑘2 𝑘 − 𝑘 = 1 𝑘 𝑘2 − 𝑘 2 = 𝜎𝑘 2 𝑘 > 0 あなたの友人 あなたの友人 の友人 < 多くの場合 𝑘 𝑘2 𝑘
10.
Friendship Paradox • あなたより、あなたの友人の方が、友人が多い (Your
friends have more friends than you do) • 実際の学者ネットワークでも言える ネットワーク 人数 平均友 人数 友人の平均友 人数 𝒌𝟐 𝒌 生物学者 1520252 15.5 68.4 130.2 数学者 253339 3.9 9.5 13.2 インターネット 22963 4.2 224.3 261.5 "Networks (second edition)", Mark Newman, pp. 378-380, Oxford University Press, 2018. 正確には論文の 共著者数の平均
11.
目次 • ネットワークはおもしろい • ネットワークは役に立つ
12.
頂点 辺 インターネット コンピュータ、ルー タ ケーブル、データ 通信 Web
Webページ ハイパーリンク 引用ネットワーク 論文、書籍 引用 交通網 駅、空港 路線、航路 友人ネットワーク 人 友人関係 代謝ネットワーク 代謝物 代謝反応 食物連鎖 生物 捕食関係 ニューラルネット ニューロン シナプス さまざまなネットワーク • ネットワーク(グラフ):辺で結ばれた頂点の集合 頂点 辺 ① ② ③ ④ ⑤ ⑥
13.
ネットワークがわかると • どれがいちばん中心かがわかる • どんなグループがあるかがわかる •
なぜそのような構造になったかがわかる • 将来どのような構造になるか予測できる • クチコミ情報の拡げ方がわかる • 感染症の拡大を阻止できる • …
14.
深層学習 画像認識 音声認識 自然言語処理
15.
グラフニューラルネットワーク • 頂点の表現を学習→分類等のタスクに利用 GNN 機械学習タスク ・ノード分類 ・グラフ分類等
16.
ノード分類 • 頂点の特徴(属性)を周囲から学習 GNN 分類 性別、年齢、 職業、収入… https://edition.cnn.com/style/article/why-democrats- are-donkeys-republicans-are-elephants-artsy/index.html ? ? or
17.
グラフ分類 • グラフ全体の特徴(属性)を学習 GNN 分類 水溶性の有無 毒性の有無など https://www.tnojima.net/entry/2014-cert-23
18.
言語横断テキスト分類(CLTC) • 資源が豊富な言語の訓練データを使って、資源が乏しい言 語の分類問題を解くための転移学習 – 資源が豊富な言語のタスク固有の訓練データは入手困難 •
代替案として、資源が豊富な言語のタスクに依存しない単 語埋め込みと、2言語間の辞書を用いたCLTCを提案 – 2言語間の辞書から異種頂点グラフを作り、単語レベルと言語 レベルの2段階集約を行うグラフニューラルネットワークを構築 – 大規模コーパスを利用しないのに事前学習モデルよりも高性能 Nuttapong Chairatanakul, Noppayut Sriwatanasakdi, Nontawat Charoenphakdee, Xin Liu, Tsuyoshi Murata, “Cross-lingual Transfer for Text Classification with Dictionary-based Heterogeneous Graph”, Findings of EMNLP 2021. http://dx.doi.org/10.18653/v1/2021.findings-emnlp.130
19.
2部グラフGCNによる救急医療 サービスの需要予測 • 東京都の救急車データを病院-地域の2部グラフで 表現し、救急需要(高/低)を予測する2部グラフ畳 み込みニューラルネットワークモデルを提案 • 需要予測において77.3%~87.7%の精度を達成 –
従来の機械学習アルゴリズム、統計モデル、および最 新のグラフベースの手法を大幅に上回る Ruidong Jin, Tianqi Xia, Xin Liu, Tsuyoshi Murata, Kyoung-Sook Kim, “Predicting Emergency Medical Service Demand With Bipartite Graph Convolutional Networks”, IEEE Access, Vol. 9, pp.9903-9915, 2021. https://doi.org/10.1109/ACCESS.2021.3050607
20.
GNNによる高精度な認知機能診断 • 脳画像技術や機械学習の進歩により、脳疾患の診断に大き な進歩 – 健常者と患者を区別する機械学習モデルの開発は非常に重要 •
population graphに基づくマルチモデルアンサンブルを提案 – 画像と表現型の異なる組み合わせで(類似した患者の脳の) population graphを構築 – 提案モデルはABIDEデータにおいて、最先端の手法よりも高性能 Zarina Rakhimberdina, Xin Liu, Tsuyoshi Murata, "Population Graph-Based Multi-Model Ensemble Method for Diagnosing Autism Spectrum Disorder“, Sensors, Vol.20, No.21, 18 pages, 2020. https://doi.org/10.3390/s20216001
21.
欠損値を含むグラフを扱うGNN • 欠損した特徴の入力とグラフ学習を同じニューラ ルネットワークアーキテクチャ内に統合 – 欠損データをガウス混合モデル(GMM)で表現し、GCN の第一隠れ層のニューロンの期待活性化を計算 •
従来の入力ベースの手法よりも高性能・頑強 Hibiki Taguchi, Xin Liu, Tsuyoshi Murata, "Graph Convolutional Networks for Graphs Containing Missing Features", Future Generation Computer Systems, Vol.117, pp.155-168, Elsevier, 2021. https://doi.org/10.1016/j.future.2020.11.016
22.
中心性を高速に近似するGNN • GNNによる媒介中心性の計算 • ノード特徴の制約付きメッセージパッシングを用いて、 媒介中心性を近似 •
実データを用いた大規模な実験で、既存手法よりも 高性能・高速 Sunil Kumar Maurya, Xin Liu, Tsuyoshi Murata, "Graph Neural Networks for Fast Node Ranking Approximation", ACM Transactions on Knowledge Discovery from Data, Vol.15, No.5, Article No.78, 2021. https://doi.org/10.1145/3446217 Sunil Kumar Maurya, Xin Liu, Tsuyoshi Murata, "Fast Approximations of Betweenness Centrality with Graph Neural Networks", Proc. of the 28th ACM Int'l Conf. on Information and Knowledge Management (CIKM'19) pp.2149–2152, 2019. https://doi.org/10.1145/3357384.3358080
23.
深層学習における継続学習 • ある概念を学習した後に別の概念を学習すると(class- incremental learning
(CIL))、古い概念に対する性能が極端 に低下(破滅的忘却) • これを軽減する方法として、過去の概念から少数のサンプ ルを格納した小さなメモリを使用することが有効 – しかしメモリのサイズが限られているため、学習データセット中 の新しい概念と古い概念のサンプル数のバランスが大きく崩 れ、最終的なモデルに偏りが生じてしまう問題 • 解決策としてbalanced softmax cross entropyを提案 – CILに対する最新のアプローチとシームレスに組み合わせるこ とで、学習手順の計算コストを削減しつつ精度を向上 – この手法をより要求の厳しいメモリ無しのCILに拡張し、メモリ ベースのアプローチと同等の結果 Quentin Jodelet, Xin Liu, Tsuyoshi Murata, “Balanced Softmax Cross-Entropy for Incremental Learning with and without Memory”, Computer Vision and Image Understanding, Vol.225, Article 103582, 11 pages, 2022. https://doi.org/10.1016/j.cviu.2022.103582
24.
情報理工学院 情報工学系 村田研究室 •
人工知能、ネットワーク科学、機械学習 「Pythonで学ぶネットワーク分析 -- ColaboratoryとNetworkX を使った実践入門」村田剛志, オーム社 (2019) 「グラフニューラルネットワーク」村田剛志, オーム社 (2022) 研究室のホームページ (このスライドも公開しています)