Suche senden
Hochladen
死にたくない
•
3 gefällt mir
•
50,335 views
J
joisino
Folgen
囚人の帽子の問題とハミング符号
Weniger lesen
Mehr lesen
Technologie
Melden
Teilen
Melden
Teilen
1 von 50
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?
Masanao Ochi
ドメイン適応の原理と応用
ドメイン適応の原理と応用
Yoshitaka Ushiku
【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models
Deep Learning JP
【DL輪読会】Contrastive Learning as Goal-Conditioned Reinforcement Learning
【DL輪読会】Contrastive Learning as Goal-Conditioned Reinforcement Learning
Deep Learning JP
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
Deep Learning JP
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
強化学習における好奇心
強化学習における好奇心
Shota Imai
[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況
Deep Learning JP
Empfohlen
【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?
Masanao Ochi
ドメイン適応の原理と応用
ドメイン適応の原理と応用
Yoshitaka Ushiku
【DL輪読会】Scaling Laws for Neural Language Models
【DL輪読会】Scaling Laws for Neural Language Models
Deep Learning JP
【DL輪読会】Contrastive Learning as Goal-Conditioned Reinforcement Learning
【DL輪読会】Contrastive Learning as Goal-Conditioned Reinforcement Learning
Deep Learning JP
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
Deep Learning JP
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
強化学習における好奇心
強化学習における好奇心
Shota Imai
[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況
Deep Learning JP
ノンパラメトリックベイズ4章クラスタリング
ノンパラメトリックベイズ4章クラスタリング
智文 中野
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
Deep Learning JP
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Yamato OKAMOTO
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
Deep Learning JP
画像生成・生成モデル メタサーベイ
画像生成・生成モデル メタサーベイ
cvpaper. challenge
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Preferred Networks
[DL輪読会]Learning to Generalize: Meta-Learning for Domain Generalization
[DL輪読会]Learning to Generalize: Meta-Learning for Domain Generalization
Deep Learning JP
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Preferred Networks
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
[DL輪読会]Disentangling by Factorising
[DL輪読会]Disentangling by Factorising
Deep Learning JP
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
Deep Learning JP
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
Deep Learning JP
DNNの曖昧性に関する研究動向
DNNの曖昧性に関する研究動向
Naoki Matsunaga
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
Deep Learning JP
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
Deep Learning JP
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
SmoothGrad: removing noise by adding noise
SmoothGrad: removing noise by adding noise
harmonylab
キャッシュオブリビアスアルゴリズム
キャッシュオブリビアスアルゴリズム
joisino
Metric Recovery from Unweighted k-NN Graphs
Metric Recovery from Unweighted k-NN Graphs
joisino
Weitere ähnliche Inhalte
Was ist angesagt?
ノンパラメトリックベイズ4章クラスタリング
ノンパラメトリックベイズ4章クラスタリング
智文 中野
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
Deep Learning JP
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Yamato OKAMOTO
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
Deep Learning JP
画像生成・生成モデル メタサーベイ
画像生成・生成モデル メタサーベイ
cvpaper. challenge
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Preferred Networks
[DL輪読会]Learning to Generalize: Meta-Learning for Domain Generalization
[DL輪読会]Learning to Generalize: Meta-Learning for Domain Generalization
Deep Learning JP
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Preferred Networks
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
[DL輪読会]Disentangling by Factorising
[DL輪読会]Disentangling by Factorising
Deep Learning JP
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
Deep Learning JP
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
Deep Learning JP
DNNの曖昧性に関する研究動向
DNNの曖昧性に関する研究動向
Naoki Matsunaga
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
Deep Learning JP
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
Deep Learning JP
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
SmoothGrad: removing noise by adding noise
SmoothGrad: removing noise by adding noise
harmonylab
Was ist angesagt?
(20)
ノンパラメトリックベイズ4章クラスタリング
ノンパラメトリックベイズ4章クラスタリング
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Optimizer入門&最新動向
Optimizer入門&最新動向
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
画像生成・生成モデル メタサーベイ
画像生成・生成モデル メタサーベイ
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
[DL輪読会]Learning to Generalize: Meta-Learning for Domain Generalization
[DL輪読会]Learning to Generalize: Meta-Learning for Domain Generalization
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
[DL輪読会]Disentangling by Factorising
[DL輪読会]Disentangling by Factorising
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
DNNの曖昧性に関する研究動向
DNNの曖昧性に関する研究動向
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
SmoothGrad: removing noise by adding noise
SmoothGrad: removing noise by adding noise
Mehr von joisino
キャッシュオブリビアスアルゴリズム
キャッシュオブリビアスアルゴリズム
joisino
Metric Recovery from Unweighted k-NN Graphs
Metric Recovery from Unweighted k-NN Graphs
joisino
Towards Principled User-side Recommender Systems
Towards Principled User-side Recommender Systems
joisino
CLEAR: A Fully User-side Image Search System
CLEAR: A Fully User-side Image Search System
joisino
Private Recommender Systems: How Can Users Build Their Own Fair Recommender S...
Private Recommender Systems: How Can Users Build Their Own Fair Recommender S...
joisino
An Introduction to Spectral Graph Theory
An Introduction to Spectral Graph Theory
joisino
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
最適輸送入門
最適輸送入門
joisino
ユーザーサイド情報検索システム
ユーザーサイド情報検索システム
joisino
最適輸送の解き方
最適輸送の解き方
joisino
Random Features Strengthen Graph Neural Networks
Random Features Strengthen Graph Neural Networks
joisino
Fast Unbalanced Optimal Transport on a Tree
Fast Unbalanced Optimal Transport on a Tree
joisino
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
joisino
Mehr von joisino
(13)
キャッシュオブリビアスアルゴリズム
キャッシュオブリビアスアルゴリズム
Metric Recovery from Unweighted k-NN Graphs
Metric Recovery from Unweighted k-NN Graphs
Towards Principled User-side Recommender Systems
Towards Principled User-side Recommender Systems
CLEAR: A Fully User-side Image Search System
CLEAR: A Fully User-side Image Search System
Private Recommender Systems: How Can Users Build Their Own Fair Recommender S...
Private Recommender Systems: How Can Users Build Their Own Fair Recommender S...
An Introduction to Spectral Graph Theory
An Introduction to Spectral Graph Theory
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
最適輸送入門
最適輸送入門
ユーザーサイド情報検索システム
ユーザーサイド情報検索システム
最適輸送の解き方
最適輸送の解き方
Random Features Strengthen Graph Neural Networks
Random Features Strengthen Graph Neural Networks
Fast Unbalanced Optimal Transport on a Tree
Fast Unbalanced Optimal Transport on a Tree
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
Kürzlich hochgeladen
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
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
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
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
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
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
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
Yuki Kikuchi
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
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
Kürzlich hochgeladen
(9)
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
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)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
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)
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...
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
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
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?
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
死にたくない
1.
死にたくない @joisino_
2.
囚人の帽子の問題とハミング符号 @joisino_
3.
問題 囚人がN(= 2n−1
)人いる 囚人は白帽か赤帽をかぶっている 自分の帽子の色は分からないが、他人の帽子の 色は全てわかる 各人は同時に自分の色を言うか何も言わない
4.
問題 ● 1人以上が発言し、発言した人全員が正解→勝
利 ● 全員沈黙、または一人でも間違う→死 生存確率が高くなるような作戦を求める
5.
例 赤白 →勝利
6.
例 白白赤 →死
7.
N = 3
のとき
8.
方針 : 全列挙
9.
方針 : 全列挙
● 囚人から見たパターンは2通り(他の人の色が同 じ、異なる) ● 作戦は全6通り ● この作戦を帽子の全パターンについて試す
10.
方針 : 全列挙
帽子の色の全パターンは以下の8通り ● (白、白、白) ● (白、白、赤) ● (白、赤、白) ● (白、赤、赤) ● (赤、白、白) ● (赤、白、赤) ● (赤、赤、白) ● (赤、赤、赤)
11.
答え 他の人が同じ色のときは違う色を言う。 違う色のときは黙る
12.
答え 赤赤赤 →死
勝利:0 死:1
13.
答え →勝利 赤
勝利:1 死:1
14.
答え 赤 →勝利
勝利:2 死:1
15.
答え →勝利 白
勝利:3 死:1
16.
答え →勝利 赤
勝利:4 死:1
17.
答え 白 →勝利
勝利:5 死:1
18.
答え →勝利 白
勝利:6 死:1
19.
答え 白白白 →死
勝利:6 死:2
20.
答え 8パターン中6パターン勝利(75パーセント) 何故良いか?
→各人が当てられる確率は50パーセントだ が、皆が間違うパターンが集中している
21.
答え 白白白 →死
22.
N = 7
のとき
23.
N = 7
のとき 帽子のパターンは128通り、作戦のパターンは 18通り 囚人にコンピュータは与えられない – 全列挙は難しい
24.
方針1 : 妥協
25.
方針1 : 妥協
3人選んでN = 3のときの方針をとる 他の4人は黙らせる
26.
方針1 : 妥協
赤
27.
方針1 : 妥協
勝利確率はN = 3のときと同じで75パーセント 利点 : 楽 難点 : 命を粗末にするのはダメ
28.
方針2 : ハミング符号
29.
2元ハミング符号 H7 2元ハミング符号
H7 とは? 誤り訂正符号の1つ – 送りたい情報にノイズが混入しても訂正できるよう な符号 3つの集合A,B,Cに対するベン図を使う それぞれの集合は1,10,100(2進数)を表す
30.
2元ハミング符号 B C
A H7 u1 u2 u3 u6 u4 u5 u7
31.
2元ハミング符号 H7 使い方
4ビットの情報( a1, a2, a3, a4 )を送る ビットをベン図の u3 , u5 , u6 , u7 に割り当てる それぞれの集合に属するビットの和が0になるよう に残りのビットを決める
32.
2元ハミング符号 例) =
1 , = 0 , = 1 , = 1 B C 0 1 1 0 1 0 1 A 符号) 0110011 H7 a1 a2 a3 a4
33.
2元ハミング符号 符号) 0110011
が 符号) 0100011 になってしまった B C 0 1 0 0 1 0 1 A H7
34.
2元ハミング符号 B H7
C 0 1 0 0 1 0 1 A A : 0 + 0 + 1 + 0 = 1(おかしい)
35.
2元ハミング符号 B H7
C 0 1 0 0 1 0 1 A B : 1 + 1 + 1 + 0 = 1(おかしい)
36.
2元ハミング符号 B H7
C 0 1 0 0 1 0 1 A A : 0 + 0 + 1 + 1 = 0(ただしい)
37.
2元ハミング符号 A :
おかしい B : おかしい C : ただしい H7 →間違いはA , Bに属していて、Cに属していない →間違いは u3
38.
2元ハミング符号 H7 誤り訂正符号としての問題点
2つ以上の間違いが混入したら修正できない 符号) 0110011 が 符号) 0100111 になってしまった →0100101と修正してしまう
39.
答え 囚人に番号をつけておく 白帽を0,赤帽を1としてビット列をつくる
● 自分のビットを決めてハミング符号語にできるな ら、ハミング符号語にならないように帽子の色を言 う ● ハミング符号語にできないなら何も言わない
40.
答え 全員何も言わない –
任意の7ビット列は1ビット変更してハミング符号語にで きるのであり得ない 間違える – 帽子のビット列がハミング符号語のとき – 4ビットの送る情報それぞれに1つハミング符号語があ るので16通り 全員正解する – それ以外の128-16=112通り 勝利確率は 112/128 (87.5パーセント)
41.
ハミング符号作戦が最適である証明 ある作戦においてその作戦で勝利したとき、1人 以上が帽子の色を発言している
赤
42.
ハミング符号作戦が最適である証明 もし、他の人の帽子の色が同じで、自分の帽子 の色が変わった場合、死
(自分では変わっても区別できないから) 赤
43.
ハミング符号作戦が最適である証明 つまり、作戦が成功する帽子のビット列に隣接 するビット列で、失敗するビット列が存在する
成功したビット列で、発言した1人のビットを変更 すると構成できる (隣接: 0110011 と 0100011 など)
44.
ハミング符号作戦が最適である証明 失敗するビット列の集合をFとすると、Fの元xを 中心とする半径1の球B={y∈
Z2 7 | yはxに隣接し ているまたはy = x}の和は全ての7ビット列を覆 う必要がある 覆われていない元zがあるとすると、zのとき作 戦が成功し、zに隣接する元で失敗する元が存 在しないことになるから矛盾
45.
ハミング符号作戦が最適である証明 |B| =
8 なので 8|F| ≧ 2^7 |F| ≧ 16 失敗するビット列は16個以上 よって H 7 による作戦が最適となる
46.
一般( N =
2 n )の場合−1
47.
一般( N=2n−1 )の場合
2元ハミング符号による作戦が最適であることが N = 7と同様に示せる(省略)
48.
一般( N=2n−1 )の場合
H2n−1 2n−1−n 2元ハミング符号 が伝える情報は ビットなので失敗するパターン(ハミング符号語 の数)は 22n−1−n 通り。 帽子のパターンは 通り 勝利確率は 22n−1 1−22n−1−n 2n= N 22n−1 =1− 1 N+1 Nが大きくなると勝利確率は限りなく1に近づく
49.
まとめ 人数が多いほうが死なない 符号理論を知っている方が死なない
50.
ご清聴ありがとうございました
Jetzt herunterladen