Suche senden
Hochladen
パターン認識と機械学習 §8.3.4 有向グラフとの関係
•
2 gefällt mir
•
3,367 views
P
Prunus 1350
Folgen
2013/7/21(日) @ニフティ株式会社 セミナールーム
Weniger lesen
Mehr lesen
Melden
Teilen
Melden
Teilen
1 von 21
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
PRML輪読#8
PRML輪読#8
matsuolab
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
Toshihiro Kamishima
PRML輪読#11
PRML輪読#11
matsuolab
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
sleepy_yoshi
PRML輪読#12
PRML輪読#12
matsuolab
【論文読み会】Moser Flow: Divergence-based Generative Modeling on Manifolds
【論文読み会】Moser Flow: Divergence-based Generative Modeling on Manifolds
ARISE analytics
PRML8章
PRML8章
弘毅 露崎
PRML11章
PRML11章
Takashi Tamura
Empfohlen
PRML輪読#8
PRML輪読#8
matsuolab
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
Toshihiro Kamishima
PRML輪読#11
PRML輪読#11
matsuolab
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
sleepy_yoshi
PRML輪読#12
PRML輪読#12
matsuolab
【論文読み会】Moser Flow: Divergence-based Generative Modeling on Manifolds
【論文読み会】Moser Flow: Divergence-based Generative Modeling on Manifolds
ARISE analytics
PRML8章
PRML8章
弘毅 露崎
PRML11章
PRML11章
Takashi Tamura
PRML 第4章
PRML 第4章
Akira Miyazawa
PRMLrevenge_3.3
PRMLrevenge_3.3
Naoya Nakamura
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会
Taikai Takeda
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
nishioka1
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Takao Yamanaka
Deep Mixtures of Factor Analysers
Deep Mixtures of Factor Analysers
Junya Saito
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
PRML輪読#14
PRML輪読#14
matsuolab
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
Kenji Urai
coordinate descent 法について
coordinate descent 法について
京都大学大学院情報学研究科数理工学専攻
Prml
Prml
syou6162
深層学習 勉強会第5回 ボルツマンマシン
深層学習 勉強会第5回 ボルツマンマシン
Yuta Sugii
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
Koichi Hamada
PRML輪読#7
PRML輪読#7
matsuolab
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
裕樹 奥田
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
SAS University EditionでもJupyter Notebookが使えるようになった話
SAS University EditionでもJupyter Notebookが使えるようになった話
Prunus 1350
Weitere ähnliche Inhalte
Was ist angesagt?
PRML 第4章
PRML 第4章
Akira Miyazawa
PRMLrevenge_3.3
PRMLrevenge_3.3
Naoya Nakamura
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会
Taikai Takeda
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
nishioka1
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Takao Yamanaka
Deep Mixtures of Factor Analysers
Deep Mixtures of Factor Analysers
Junya Saito
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
PRML輪読#14
PRML輪読#14
matsuolab
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
Kenji Urai
coordinate descent 法について
coordinate descent 法について
京都大学大学院情報学研究科数理工学専攻
Prml
Prml
syou6162
深層学習 勉強会第5回 ボルツマンマシン
深層学習 勉強会第5回 ボルツマンマシン
Yuta Sugii
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
Koichi Hamada
PRML輪読#7
PRML輪読#7
matsuolab
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
裕樹 奥田
Was ist angesagt?
(20)
PRML 第4章
PRML 第4章
PRMLrevenge_3.3
PRMLrevenge_3.3
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Deep Mixtures of Factor Analysers
Deep Mixtures of Factor Analysers
【解説】 一般逆行列
【解説】 一般逆行列
グラフィカルモデル入門
グラフィカルモデル入門
PRML輪読#14
PRML輪読#14
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
coordinate descent 法について
coordinate descent 法について
Prml
Prml
深層学習 勉強会第5回 ボルツマンマシン
深層学習 勉強会第5回 ボルツマンマシン
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
パターン認識と機械学習 (PRML) 第1章-「多項式曲線フィッティング」「確率論」
PRML輪読#7
PRML輪読#7
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
Andere mochten auch
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
SAS University EditionでもJupyter Notebookが使えるようになった話
SAS University EditionでもJupyter Notebookが使えるようになった話
Prunus 1350
Bishop prml 9.3_wk77_100408-1504
Bishop prml 9.3_wk77_100408-1504
Wataru Kishimoto
Bishop prml 10.2.2-10.2.5_wk77_100412-0059
Bishop prml 10.2.2-10.2.5_wk77_100412-0059
Wataru Kishimoto
入門パターン認識と機械学習3章
入門パターン認識と機械学習3章
hiro5585
機械学習
機械学習
Hikaru Takemura
PATTERN RECOGNITION AND MACHINE LEARNING (1.1)
PATTERN RECOGNITION AND MACHINE LEARNING (1.1)
Yuma Yoshimoto
Guide for program Implement for PRML
Guide for program Implement for PRML
Masato Nakai
PRML第9章「混合モデルとEM」
PRML第9章「混合モデルとEM」
Keisuke Sugawara
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
Itaru Otomaru
パターン認識と機械学習 〜指数型分布族とノンパラメトリック〜
パターン認識と機械学習 〜指数型分布族とノンパラメトリック〜
Mitsuki Ogasahara
入門パターン認識と機械学習12章
入門パターン認識と機械学習12章
hiro5585
主成分分析 (pca)
主成分分析 (pca)
Ji Wang
Bishop prml 11.5-11.6_wk77_100606-1152(発表に使った資料)
Bishop prml 11.5-11.6_wk77_100606-1152(発表に使った資料)
Wataru Kishimoto
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習 §6.2 カーネル関数の構成
Prunus 1350
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
Nagayoshi Yamashita
「機械学習 By スタンフォード大学」勉強会 2015.09.11
「機械学習 By スタンフォード大学」勉強会 2015.09.11
Minoru Chikamune
SVMについて
SVMについて
mknh1122
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
Ryota Kamoshida
Andere mochten auch
(19)
機械学習の理論と実践
機械学習の理論と実践
SAS University EditionでもJupyter Notebookが使えるようになった話
SAS University EditionでもJupyter Notebookが使えるようになった話
Bishop prml 9.3_wk77_100408-1504
Bishop prml 9.3_wk77_100408-1504
Bishop prml 10.2.2-10.2.5_wk77_100412-0059
Bishop prml 10.2.2-10.2.5_wk77_100412-0059
入門パターン認識と機械学習3章
入門パターン認識と機械学習3章
機械学習
機械学習
PATTERN RECOGNITION AND MACHINE LEARNING (1.1)
PATTERN RECOGNITION AND MACHINE LEARNING (1.1)
Guide for program Implement for PRML
Guide for program Implement for PRML
PRML第9章「混合モデルとEM」
PRML第9章「混合モデルとEM」
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
パターン認識と機械学習 〜指数型分布族とノンパラメトリック〜
パターン認識と機械学習 〜指数型分布族とノンパラメトリック〜
入門パターン認識と機械学習12章
入門パターン認識と機械学習12章
主成分分析 (pca)
主成分分析 (pca)
Bishop prml 11.5-11.6_wk77_100606-1152(発表に使った資料)
Bishop prml 11.5-11.6_wk77_100606-1152(発表に使った資料)
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
「機械学習 By スタンフォード大学」勉強会 2015.09.11
「機械学習 By スタンフォード大学」勉強会 2015.09.11
SVMについて
SVMについて
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
Ähnlich wie パターン認識と機械学習 §8.3.4 有向グラフとの関係
Infer net wk77_110613-1523
Infer net wk77_110613-1523
Wataru Kishimoto
PRML復々習レーン#11
PRML復々習レーン#11
Takuya Fukagai
PRML_titech 8.1 - 8.2
PRML_titech 8.1 - 8.2
Takafumi Sakakibara
PRML4.3
PRML4.3
hiroki yamaoka
第三回統計学勉強会@東大駒場
第三回統計学勉強会@東大駒場
Daisuke Yoneoka
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
irrrrr
Draftall
Draftall
Toshiyuki Shimono
PRML 8.4-8.4.3
PRML 8.4-8.4.3
KunihiroTakeoka
Ähnlich wie パターン認識と機械学習 §8.3.4 有向グラフとの関係
(8)
Infer net wk77_110613-1523
Infer net wk77_110613-1523
PRML復々習レーン#11
PRML復々習レーン#11
PRML_titech 8.1 - 8.2
PRML_titech 8.1 - 8.2
PRML4.3
PRML4.3
第三回統計学勉強会@東大駒場
第三回統計学勉強会@東大駒場
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
Draftall
Draftall
PRML 8.4-8.4.3
PRML 8.4-8.4.3
Mehr von Prunus 1350
統計的学習の基礎 第2章後半
統計的学習の基礎 第2章後半
Prunus 1350
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章
Prunus 1350
はじめてのパターン認識 第11章 11.1-11.2
はじめてのパターン認識 第11章 11.1-11.2
Prunus 1350
TokyoR 第36回LT Rで部分空間法
TokyoR 第36回LT Rで部分空間法
Prunus 1350
はじめてのパターン認識 第9章 9.5-9.6
はじめてのパターン認識 第9章 9.5-9.6
Prunus 1350
はじめてのパターン認識 第6章 後半
はじめてのパターン認識 第6章 後半
Prunus 1350
はじめてのパターン認識 第1章
はじめてのパターン認識 第1章
Prunus 1350
集合知プログラミング 第4章 4.7
集合知プログラミング 第4章 4.7
Prunus 1350
スティーヴ・ライヒを聴こう
スティーヴ・ライヒを聴こう
Prunus 1350
第5章 統計的仮説検定 (Rによるやさしい統計学)
第5章 統計的仮説検定 (Rによるやさしい統計学)
Prunus 1350
Mehr von Prunus 1350
(10)
統計的学習の基礎 第2章後半
統計的学習の基礎 第2章後半
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章
はじめてのパターン認識 第11章 11.1-11.2
はじめてのパターン認識 第11章 11.1-11.2
TokyoR 第36回LT Rで部分空間法
TokyoR 第36回LT Rで部分空間法
はじめてのパターン認識 第9章 9.5-9.6
はじめてのパターン認識 第9章 9.5-9.6
はじめてのパターン認識 第6章 後半
はじめてのパターン認識 第6章 後半
はじめてのパターン認識 第1章
はじめてのパターン認識 第1章
集合知プログラミング 第4章 4.7
集合知プログラミング 第4章 4.7
スティーヴ・ライヒを聴こう
スティーヴ・ライヒを聴こう
第5章 統計的仮説検定 (Rによるやさしい統計学)
第5章 統計的仮説検定 (Rによるやさしい統計学)
パターン認識と機械学習 §8.3.4 有向グラフとの関係
1.
パターン認識と機械学習 8.3.4 有向グラフとの関係 PRML復々習レーン #12 2013/7/21(日) ぷるうぬす@Prunus1350
2.
2種類のグラフィカルモデル • 有向グラフ • 無向グラフ 有向グラフで記述されるモデルを 無向グラフに変換する問題を考える
3.
無向グラフへの変換(簡単な例) (a)有向グラフ
4.
無向グラフへの変換(簡単な例) (a)有向グラフ p(x) = p(x1)p(x2|x1)p(x3|x2)
· · · p(xN |xN 1) 条件付き分布の積として因数分解される
5.
無向グラフへの変換(簡単な例) (a)有向グラフ (b)無向グラフ p(x) = p(x1)p(x2|x1)p(x3|x2)
· · · p(xN |xN 1)
6.
無向グラフへの変換(簡単な例) (a)有向グラフ (b)無向グラフ p(x) = p(x1)p(x2|x1)p(x3|x2)
· · · p(xN |xN 1) この無向グラフにおける極大クリークは隣接ノード対
7.
無向グラフへの変換(簡単な例) (a)有向グラフ (b)無向グラフ p(x) = p(x1)p(x2|x1)p(x3|x2)
· · · p(xN |xN 1) p(x) = 1 Z 1,2(x1, x2) 2,3(x2, x3) · · · N 1,N (xN 1, xN )
8.
無向グラフへの変換(簡単な例) p(x) = p(x1)p(x2|x1)p(x3|x2)
· · · p(xN |xN 1) p(x) = 1 Z 1,2(x1, x2) 2,3(x2, x3) · · · N 1,N (xN 1, xN ) このような対応付けができる
9.
無向グラフへの変換(簡単な例②) 親を2つ以上持つ有向グラフのノードが存在する場合
10.
無向グラフへの変換(簡単な例②) この有向グラフの同時分布はこのように表せる p(x) = p(x1)p(x2)p(x3)p(x4|x1,
x2, x3)
11.
無向グラフへの変換(簡単な例②) 下線部の条件付き分布を1つのクリークポテンシャル関数に吸収させるためには 4つの変数 が1つのクリークに属していなければならない。 p(x) = p(x1)p(x2)p(x3)p(x4|x1,
x2, x3) x1, x2, x3, x4
12.
無向グラフへの変換(簡単な例②) 親同士すべてをリンクで接続(モラル化)し、 矢印による方向付けを消したものをモラルグラフと呼ぶ
13.
有向グラフを無向グラフに変換するには • グラフの各ノードに対してそのすべての親同士の対に無 向リンクを付加する。 • もともとのリンクから矢印の方向性を取り除いてモラ ルグラフを作る。 •
モラルグラフのすべてのクリークポテンシャル関数を1 に初期化する。 • もともとの有向グラフの条件付き分布因子を1つ取って きて、対応するクリークポテンシャルの1つに掛ける。 モラル化とは、リンクの追加を最小限に抑えることによって 条件付き独立性をできる限り残す方法である。
14.
依存性マップ • あるグラフが、ある分布が満たす条件付き独立性をも れなく表現するとき、そのグラフをその分布に対する 依存性マップ(dependency map、D-map)と言う。 •
全くリンクのない完全に分離されたグラフは、すべて の分布に対する自明な依存性マップである。
15.
独立性マップ • あるグラフによって規定されるすべての条件付き独立性 が、ある分布によって満たされるとき、そのグラフを その分布に対する独立性マップ(independence map、I-map)と言う。 • 全結合はすべての分布に対する自明な独立性マップであ る。
16.
完全マップ • ある分布の条件付き独立性があるグラフによってすべ て表現され、逆にそのグラフが表現するすべての条件付 き独立性をその分布が満たすならば、そのグラフをそ の分布の完全マップ(perfect map)と言う。 •
つまり、完全マップは独立性マップでありかつ依存性 マップでもある。
17.
分布の集合のベン図 P:与えられた変数集合上のすべての可能な分布の集合 D:有向グラフを用いた完全マップで表現される分布の集合 U:無向グラフを用いた完全マップで表現される分布の集合
18.
同じ3変数上の無向グラフでは表現できない 条件付き独立性を持つ有向グラフの例
19.
同じ変数上の有向グラフでは同じ条件付き独立性 を表現できない無向グラフの例
20.
連鎖グラフ • グラフィカルモデルの枠組みは、有向リンクと無向リ ンクを両方持つグラフにも矛盾なく拡張できる。 • そのようなグラフは連鎖グラフと呼ばれる。 •
有向グラフおよび無向グラフは連鎖グラフの特別な場 合として含まれる。 • 連鎖グラフを用いても完全マップを作れない分布が存 在する。 PRMLでは、連鎖グラフについてはこれ以上議論しない。
21.
ご清聴ありがとうございました。
Jetzt herunterladen