第59回 データマイニング+WEB ＠東京( #TokyoWebmining 59th )ー 深層学習 展開 祭り ーを開催しました

Webmining 勉強会

2017/8/5 "第59回 データマイニング+WEB ＠東京( #TokyoWebmining 59th ) ー 深層学習 展開 祭り ー" を開催しました。

会場提供して下さった FreakOut さん、どうもありがとうございました。素敵なトークを提供してくれた講師メンバーに感謝します。多くの方々の参加を嬉しく思っています。

参加者ID・バックグラウンド一覧：

参加者セキココ：第59回 データマイニング+WEB ＠東京 セキココ
(作成してくれた [Twitter:@komiya_atsushi] さんに感謝）


以下、全講師資料、関連資料、ツイートまとめです。

AGENDA：

■Opening Talk：

O1.「データマイニング+WEB＠東京 について」

講師：[Twitter:@hamadakoichi]

O2.「参加者全員 自己紹介 (興味・活動)」(進行：[Twitter:@hamadakoichi])

0.「深層学習の展開」( 講師: [Twitter:@hamadakoichi] )

「対話返答生成における個性の追加反映」

個性を反映した返答生成は，様々な個性のキャラクタを用意することで多様な返答を可能にしたり応答の一貫性を確保できる点で近年注目されている．一方で，それぞれの返答個性を学習させるための対話例の準備が高コストであるという問題がある．
本研究では，深層学習を用いた返答文生成モデルに対して，元の個性を保持しつつ特定の返答個性を追加反映する手法の提案及び比較評価を行う．さらに，返答文生成に用いる個性表現ベクトルの演算による生成文の変化について分析を行う．

(※各種、深層生成モデルの展開紹介の中で、対話生成での個性反映の説明に用いた資料です。)

1.「画像を用いたファッションアイテム検索」(講師: [Twitter:@tn1031] ) (発表: 50分+議論: 50分)


ファッションアイテムのための画像検索システムは、検索対象となる画像の多様性から複雑なものになりがちです。例えば、ECサイトの画像やユーザーが撮影した画像／置き撮り画像やモデル着用画像の間で同一判定する能力が要求されます。
本発表では、このような問題の解決策を最新の研究事例を交えながら紹介します。
参考文献：

2.「深層学習とベイズ統計」(講師: [Twitter:@yutakashino]) (発表: 50分+議論: 50分)

深層学習の力強い発展が続いています．深層学習は計算グラフをベースとする非線形モデルで，確率勾配法を利用することで大規模にスケールする識別学習や系列予測が可能です．しかし，統計学的にみるとモデルの学習とは点推定を行うことに他ならず，過学習を回避する困難さや，複数のモデルを比較することで人間にとって納得するモデルを選ぶことが難しいという欠点があります．一方で，ベイズ推定は，取り扱うモデルの変数を確率変数として保持し人間にとって意味のある確率モデル・統計モデルを構築します．ベイズ推定は確率変数のモデルで学習するので過学習に頑健性があり，複数モデルを比較可能であること（モデル選択可能）から納得感の高い意思決定が可能になります．
最近上記の深層学習とベイズ推定を融合させる動き，ベイジアン深層学習/確率的プログラミング，が大きくなっています．このプレゼンテーションではベイジアン深層学習/確率的プログラミングの潮流，基礎的知識，そして具体的なモデリング方法・計算手法を紹介することで，ベイジアン深層学習/確率的プログラミングの初歩を提示することができたら，と考えています．

参考文献：

懇親会LT:

Variational Autoencoderの紹介 ([Twitter:@Kenmatsu4 ] )

■ツイートまとめ (Togetter)

「第59回 データマイニング+WEB ＠東京( #TokyoWebmining 59th ) ー 深層学習 展開 祭り ー」に関するツイートを Togetter にまとめました。みなさん、たくさんのツイートありがとうございました。("誰でも編集可能"に設定してあります)

振返り：

振返りホワイトボード(Keep/Try/Talk候補):

■講師募集

データマイニング+WEB勉強会＠東京 (#TokyoWebmining) を今後も、講師、参加者、双方にとってよりよい会としていきたいと思います。講師を募集していますので私の Twitter か Google Group へのメールへぜひご連絡下さい。

連絡先：

■Wiki

■過去開催内容：