Suche senden
Hochladen
次元の呪い
•
Als PPTX, PDF herunterladen
•
1 gefällt mir
•
3,262 views
Kosuke Tsujino
Folgen
またはいかにしてN次元超球内部から一様に点をサンプリングするか
Weniger lesen
Mehr lesen
Ingenieurwesen
Melden
Teilen
Melden
Teilen
1 von 18
Jetzt herunterladen
Empfohlen
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
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
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
Empfohlen
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
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
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
深層学習の数理
深層学習の数理
Taiji Suzuki
PRML輪読#1
PRML輪読#1
matsuolab
PILCO - 第一回高橋研究室モデルベース強化学習勉強会
PILCO - 第一回高橋研究室モデルベース強化学習勉強会
Shunichi Sekiguchi
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
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
スパースモデリング入門
スパースモデリング入門
Hideo Terada
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
Fisher線形判別分析とFisher Weight Maps
Fisher線形判別分析とFisher Weight Maps
Takao Yamanaka
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
「内積が見えると統計学も見える」第5回 プログラマのための数学勉強会 発表資料
「内積が見えると統計学も見える」第5回 プログラマのための数学勉強会 発表資料
Ken'ichi Matsui
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
Shuyo Nakatani
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
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
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
nocchi_airport
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
. .
【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
最適輸送の解き方
最適輸送の解き方
joisino
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
主成分分析 (pca)
主成分分析 (pca)
Ji Wang
Weitere ähnliche Inhalte
Was ist angesagt?
深層学習の数理
深層学習の数理
Taiji Suzuki
PRML輪読#1
PRML輪読#1
matsuolab
PILCO - 第一回高橋研究室モデルベース強化学習勉強会
PILCO - 第一回高橋研究室モデルベース強化学習勉強会
Shunichi Sekiguchi
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
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
スパースモデリング入門
スパースモデリング入門
Hideo Terada
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
Fisher線形判別分析とFisher Weight Maps
Fisher線形判別分析とFisher Weight Maps
Takao Yamanaka
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
「内積が見えると統計学も見える」第5回 プログラマのための数学勉強会 発表資料
「内積が見えると統計学も見える」第5回 プログラマのための数学勉強会 発表資料
Ken'ichi Matsui
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
Shuyo Nakatani
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
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
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
nocchi_airport
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
. .
【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
最適輸送の解き方
最適輸送の解き方
joisino
Was ist angesagt?
(20)
深層学習の数理
深層学習の数理
PRML輪読#1
PRML輪読#1
PILCO - 第一回高橋研究室モデルベース強化学習勉強会
PILCO - 第一回高橋研究室モデルベース強化学習勉強会
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
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
スパースモデリング入門
スパースモデリング入門
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
Fisher線形判別分析とFisher Weight Maps
Fisher線形判別分析とFisher Weight Maps
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
「内積が見えると統計学も見える」第5回 プログラマのための数学勉強会 発表資料
「内積が見えると統計学も見える」第5回 プログラマのための数学勉強会 発表資料
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
不均衡データのクラス分類
不均衡データのクラス分類
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
【解説】 一般逆行列
【解説】 一般逆行列
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
【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
最適輸送の解き方
最適輸送の解き方
Andere mochten auch
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
主成分分析 (pca)
主成分分析 (pca)
Ji Wang
総務部門でkintone
総務部門でkintone
Cybozucommunity
【kintone便利に使おうシリーズ】[vol.05 アクション]
【kintone便利に使おうシリーズ】[vol.05 アクション]
Cybozucommunity
【kintone便利に使おうシリーズ】[vol.04 関連レコード一覧]
【kintone便利に使おうシリーズ】[vol.04 関連レコード一覧]
Cybozucommunity
人事部門でkintone
人事部門でkintone
Cybozucommunity
【kintone便利に使おうシリーズ】[vol.01 テーブル]
【kintone便利に使おうシリーズ】[vol.01 テーブル]
Cybozucommunity
【kintone便利に使おうシリーズ】[vol.09 通知]
【kintone便利に使おうシリーズ】[vol.09 通知]
Cybozucommunity
【kintone便利に使おうシリーズ】[vol.08 アクセス権]
【kintone便利に使おうシリーズ】[vol.08 アクセス権]
Cybozucommunity
【kintone便利に使おうシリーズ】[vol.06 グラフ]
【kintone便利に使おうシリーズ】[vol.06 グラフ]
Cybozucommunity
【kintone便利に使おうシリーズ】[vol.02 計算]
【kintone便利に使おうシリーズ】[vol.02 計算]
Cybozucommunity
営業現場でkintone
営業現場でkintone
Cybozucommunity
kintone 活用イメージ集 vol2 20160518
kintone 活用イメージ集 vol2 20160518
Cybozucommunity
カスタマーサポートでkintone
カスタマーサポートでkintone
Cybozucommunity
【kintone便利に使おうシリーズ】[vol.03 ルックアップ]
【kintone便利に使おうシリーズ】[vol.03 ルックアップ]
Cybozucommunity
【kintone便利に使おうシリーズ】[vol.07 プロセス管理]
【kintone便利に使おうシリーズ】[vol.07 プロセス管理]
Cybozucommunity
kintone業種別活用イメージ集
kintone業種別活用イメージ集
Cybozucommunity
kintone基本操作ガイド
kintone基本操作ガイド
Cybozucommunity
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
Andere mochten auch
(20)
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
主成分分析 (pca)
主成分分析 (pca)
総務部門でkintone
総務部門でkintone
【kintone便利に使おうシリーズ】[vol.05 アクション]
【kintone便利に使おうシリーズ】[vol.05 アクション]
【kintone便利に使おうシリーズ】[vol.04 関連レコード一覧]
【kintone便利に使おうシリーズ】[vol.04 関連レコード一覧]
人事部門でkintone
人事部門でkintone
【kintone便利に使おうシリーズ】[vol.01 テーブル]
【kintone便利に使おうシリーズ】[vol.01 テーブル]
【kintone便利に使おうシリーズ】[vol.09 通知]
【kintone便利に使おうシリーズ】[vol.09 通知]
【kintone便利に使おうシリーズ】[vol.08 アクセス権]
【kintone便利に使おうシリーズ】[vol.08 アクセス権]
【kintone便利に使おうシリーズ】[vol.06 グラフ]
【kintone便利に使おうシリーズ】[vol.06 グラフ]
【kintone便利に使おうシリーズ】[vol.02 計算]
【kintone便利に使おうシリーズ】[vol.02 計算]
営業現場でkintone
営業現場でkintone
kintone 活用イメージ集 vol2 20160518
kintone 活用イメージ集 vol2 20160518
カスタマーサポートでkintone
カスタマーサポートでkintone
【kintone便利に使おうシリーズ】[vol.03 ルックアップ]
【kintone便利に使おうシリーズ】[vol.03 ルックアップ]
【kintone便利に使おうシリーズ】[vol.07 プロセス管理]
【kintone便利に使おうシリーズ】[vol.07 プロセス管理]
kintone業種別活用イメージ集
kintone業種別活用イメージ集
kintone基本操作ガイド
kintone基本操作ガイド
機械学習の理論と実践
機械学習の理論と実践
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Ähnlich wie 次元の呪い
質問応答システム
質問応答システム
エンジニア勉強会 エスキュービズム
Jacet2014ykondo_final
Jacet2014ykondo_final
早稲田大学
ヤフー音声認識のご紹介#yjdsw1
ヤフー音声認識のご紹介#yjdsw1
Yahoo!デベロッパーネットワーク
さくさくテキストマイニング入門セッション
さくさくテキストマイニング入門セッション
antibayesian 俺がS式だ
Jubatusの紹介@第6回さくさくテキストマイニング
Jubatusの紹介@第6回さくさくテキストマイニング
Yuya Unno
人狼知能合宿 自然言語部門 2016/10/10
人狼知能合宿 自然言語部門 2016/10/10
Hiroaki Sugiyama
言語と知識の深層学習@認知科学会サマースクール
言語と知識の深層学習@認知科学会サマースクール
Yuya Unno
nl-1. 形態素解析と構文解析
nl-1. 形態素解析と構文解析
kunihikokaneko1
JAWSDAYS 2018 LUNCH SESSION
JAWSDAYS 2018 LUNCH SESSION
陽平 山口
opensource and accessibility (Dec2000) Part 2
opensource and accessibility (Dec2000) Part 2
Takuya Nishimoto
内省するTensorFlow
内省するTensorFlow
Yoshiyuki Kakihara
Py conkyushu2018
Py conkyushu2018
ssuseraac758
超絶技巧プログラミングと Ruby 3.0 (大江戸 Ruby 会議 05 コミッタ LT)
超絶技巧プログラミングと Ruby 3.0 (大江戸 Ruby 会議 05 コミッタ LT)
mametter
言語処理するのに Python でいいの? #PyDataTokyo
言語処理するのに Python でいいの? #PyDataTokyo
Shuyo Nakatani
実践的! 人工知能X機械学習 〜iettyの場合〜
実践的! 人工知能X機械学習 〜iettyの場合〜
takemi.ohama
社内勉強会 2014/10/08
社内勉強会 2014/10/08
Takaki Yoneyama
AI GIRLS COLLECTION_0929
AI GIRLS COLLECTION_0929
EikoHoshino
2012ー1 TENTOプレゼン資料
2012ー1 TENTOプレゼン資料
TENTO_slide
PFPファシグラ(2009/07/03)
PFPファシグラ(2009/07/03)
nishikawa_makoto7
音声感情認識の分野動向と実用化に向けたNTTの取り組み
音声感情認識の分野動向と実用化に向けたNTTの取り組み
Atsushi_Ando
Ähnlich wie 次元の呪い
(20)
質問応答システム
質問応答システム
Jacet2014ykondo_final
Jacet2014ykondo_final
ヤフー音声認識のご紹介#yjdsw1
ヤフー音声認識のご紹介#yjdsw1
さくさくテキストマイニング入門セッション
さくさくテキストマイニング入門セッション
Jubatusの紹介@第6回さくさくテキストマイニング
Jubatusの紹介@第6回さくさくテキストマイニング
人狼知能合宿 自然言語部門 2016/10/10
人狼知能合宿 自然言語部門 2016/10/10
言語と知識の深層学習@認知科学会サマースクール
言語と知識の深層学習@認知科学会サマースクール
nl-1. 形態素解析と構文解析
nl-1. 形態素解析と構文解析
JAWSDAYS 2018 LUNCH SESSION
JAWSDAYS 2018 LUNCH SESSION
opensource and accessibility (Dec2000) Part 2
opensource and accessibility (Dec2000) Part 2
内省するTensorFlow
内省するTensorFlow
Py conkyushu2018
Py conkyushu2018
超絶技巧プログラミングと Ruby 3.0 (大江戸 Ruby 会議 05 コミッタ LT)
超絶技巧プログラミングと Ruby 3.0 (大江戸 Ruby 会議 05 コミッタ LT)
言語処理するのに Python でいいの? #PyDataTokyo
言語処理するのに Python でいいの? #PyDataTokyo
実践的! 人工知能X機械学習 〜iettyの場合〜
実践的! 人工知能X機械学習 〜iettyの場合〜
社内勉強会 2014/10/08
社内勉強会 2014/10/08
AI GIRLS COLLECTION_0929
AI GIRLS COLLECTION_0929
2012ー1 TENTOプレゼン資料
2012ー1 TENTOプレゼン資料
PFPファシグラ(2009/07/03)
PFPファシグラ(2009/07/03)
音声感情認識の分野動向と実用化に向けたNTTの取り組み
音声感情認識の分野動向と実用化に向けたNTTの取り組み
次元の呪い
1.
次元の呪い またはいかにしてN次元超球内部から 一様に点をサンプリングするか @kosuke_tsujino
2.
誰ですか • 辻野 孝輔
(@kosuke_tsujino) • eコマースの会社で検索エンジンのエンジニアをして います – 情報検索、自然言語処理、機械学習、分散データ処理 – Python, C++, Pig (Hadoop), Ruby – Sparkおぼえたい • 1年前まで通信キャリアで研究職・エンジニア – 音声・音響符号化 (MPEG標準化) – 携帯電話むけ音声認識 – 対話アプリむけ言語処理 (言語理解=分類問題、系列ラベ リング、対話制御、上位概念獲得 etc.)
3.
ところで • 悩み: 勉強しても忘れる •
鈍器みたいな本を読んでも1年経ったら90%忘れて る自信がある • 大事な部分だけでも忘れないための工夫 – 直感的理解に頼る – 書いて覚える (実装) …なのでLTしてみます
4.
次元の呪い • メロンパン? • N次元超球の内部からのサンプリング? –
棄却サンプリングでは次元が上がると歩留まりが下がっ て大変 – どうやってやるのか気になったのでちょっと調べてみた
5.
いきなりコード (numpy/scipy) xn =
numpy.random.randn(NUM_SAMPLES, DIM) s2 = numpy.sum(xn*xn, axis=1) r = RADIUS * scipy.special.gammainc(DIM/2.0, s2/2)**(1.0/DIM) x = xn * (r / numpy.sqrt(s2))[:, numpy.newaxis] Reference: http://stackoverflow.com/questions/5408276/sampling-uniformly-distributed- random-points-inside-a-spherical-volume https://en.wikipedia.org/wiki/Hypersphere
6.
やってること • N次元標準正規分布に従う乱数を生成 • L2ノルムと不完全ガンマ関数(?)を使って絶 対値を調整 •
するとなんかN次元超球内で一様分布する乱 数が得られる • 根拠がよくわからない、合ってるかどうかもよ くわからない – のでとりあえずプロットしてみる
7.
2次元標準正規分布 (変数間は独立) • PDF: 1/2π・exp(-x0^2/2)・exp(-x1^2/2) =
1/2π・exp{-(x0^2 + x1^2)/2} = 1/2π・exp(-r^2/2) – 確率密度が方向に依存せず原点からの距離rだけに依存する
8.
超球内の一様分布、のつもりのもの • 角度は変えずに絶対値を調整すると一様分布に、 見た目なってるっぽい – 合ってるかわからないけど合ってるとして進めます
9.
メロンパンの検証 • 5000点サンプルして絶対値(原点からのユー クリッド距離)のヒストグラムを書いてみる • 次元を変えたらどうなる? •
ほんとうは解析的にできるようだ – 半径rのN次元超球の表面積∝r^(N-1)
10.
11.
12.
13.
14.
100binのヒストグラムだが、全部右端(0.495以上)
15.
点間の距離 • 高次元ではクラスタリングが困難らしい – 点間の距離のばらつきが小さい •
プロットしてみる – 5000点サンプリングし、1つめの点と残りの4999 点のユークリッド距離を求める – 4999個の距離の平均・分散・最大・最小をプロット
16.
結果
17.
参考: hypercubeの場合
18.
直感に反する • これが高次元空間、ということらしい • とりあえずnumpyのべんきょうになった
(小並感) • サンプリングのコードが間違ってるかも • 以上
Jetzt herunterladen