Suche senden
Hochladen
機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)
•
2 gefällt mir
•
444 views
T
Tetsuroh Watanabe
Folgen
イベントURL:https://machine-learning15minutes.connpass.com/event/181118/
Weniger lesen
Mehr lesen
Daten & Analysen
Melden
Teilen
Melden
Teilen
1 von 13
Empfohlen
サービスデザインの教育 8年間の振り返り
サービスデザインの教育 8年間の振り返り
昭夫 吉橋
機械学習研究の現状とこれから
機械学習研究の現状とこれから
MLSE
機械学習工学への期待〜機械学習が工学となるために〜
機械学習工学への期待〜機械学習が工学となるために〜
MLSE
機械学習による推定ユーザー属性の安定供給のための施策(第56回 Machine Learning 15minutes! Broadcast)
機械学習による推定ユーザー属性の安定供給のための施策(第56回 Machine Learning 15minutes! Broadcast)
Tetsuroh Watanabe
「コンピュータビジョン勉強会@関東」紹介資料
「コンピュータビジョン勉強会@関東」紹介資料
Takuya Minagawa
20180424 orb slam
20180424 orb slam
Takuya Minagawa
LiDAR点群とSfM点群との位置合わせ
LiDAR点群とSfM点群との位置合わせ
Takuya Minagawa
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
Takuya Minagawa
Empfohlen
サービスデザインの教育 8年間の振り返り
サービスデザインの教育 8年間の振り返り
昭夫 吉橋
機械学習研究の現状とこれから
機械学習研究の現状とこれから
MLSE
機械学習工学への期待〜機械学習が工学となるために〜
機械学習工学への期待〜機械学習が工学となるために〜
MLSE
機械学習による推定ユーザー属性の安定供給のための施策(第56回 Machine Learning 15minutes! Broadcast)
機械学習による推定ユーザー属性の安定供給のための施策(第56回 Machine Learning 15minutes! Broadcast)
Tetsuroh Watanabe
「コンピュータビジョン勉強会@関東」紹介資料
「コンピュータビジョン勉強会@関東」紹介資料
Takuya Minagawa
20180424 orb slam
20180424 orb slam
Takuya Minagawa
LiDAR点群とSfM点群との位置合わせ
LiDAR点群とSfM点群との位置合わせ
Takuya Minagawa
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
Takuya Minagawa
サービスデザイン:デジタルとフィジカルの融合
サービスデザイン:デジタルとフィジカルの融合
Yuriko Sawatani
20170211クレジットカード認識
20170211クレジットカード認識
Takuya Minagawa
run Keras model on opencv
run Keras model on opencv
Takuya Minagawa
Slide keieisystem2012
Slide keieisystem2012
ISE_SE_HOSEI
20160417dlibによる顔器官検出
20160417dlibによる顔器官検出
Takuya Minagawa
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料
Takuya Minagawa
研究室紹介
研究室紹介
Yuriko Sawatani
Service Design Roundtable on 2/15/2014, Y. Sawatani
Service Design Roundtable on 2/15/2014, Y. Sawatani
Yuriko Sawatani
私のお薦めするG検定勉強法
私のお薦めするG検定勉強法
Kenichi Hayashi
How to feed myself with computer vision
How to feed myself with computer vision
Takuya Minagawa
Pn learning takmin
Pn learning takmin
Takuya Minagawa
複数サービスを共存させるために 試行錯誤したこと
複数サービスを共存させるために 試行錯誤したこと
Nagao Shun
CET(Capture EveryThing)プロジェクトにおけるﰀ機械学 習・データマイニング最前線
CET(Capture EveryThing)プロジェクトにおけるﰀ機械学 習・データマイニング最前線
Recruit Lifestyle Co., Ltd.
アドテクノロジーのサービスにおけるアジャイル開発
アドテクノロジーのサービスにおけるアジャイル開発
Nagao Shun
使う人の体験を時間軸で考えよう〜UXデザインの視点を取り入れる
使う人の体験を時間軸で考えよう〜UXデザインの視点を取り入れる
Masaya Ando
20200115SaaS研究会LT
20200115SaaS研究会LT
Ikumi Itokawa
サービスデザインとUXDそしてデザインプロセス
サービスデザインとUXDそしてデザインプロセス
Masaya Ando
UXデザイン概論
UXデザイン概論
Masaya Ando
20181030 fun
20181030 fun
Hiroshi Maruyama
15min発表資料株式会社standard
15min発表資料株式会社standard
Ozawa Kensuke
Weitere ähnliche Inhalte
Ähnlich wie 機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)
サービスデザイン:デジタルとフィジカルの融合
サービスデザイン:デジタルとフィジカルの融合
Yuriko Sawatani
20170211クレジットカード認識
20170211クレジットカード認識
Takuya Minagawa
run Keras model on opencv
run Keras model on opencv
Takuya Minagawa
Slide keieisystem2012
Slide keieisystem2012
ISE_SE_HOSEI
20160417dlibによる顔器官検出
20160417dlibによる顔器官検出
Takuya Minagawa
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料
Takuya Minagawa
研究室紹介
研究室紹介
Yuriko Sawatani
Service Design Roundtable on 2/15/2014, Y. Sawatani
Service Design Roundtable on 2/15/2014, Y. Sawatani
Yuriko Sawatani
私のお薦めするG検定勉強法
私のお薦めするG検定勉強法
Kenichi Hayashi
How to feed myself with computer vision
How to feed myself with computer vision
Takuya Minagawa
Pn learning takmin
Pn learning takmin
Takuya Minagawa
複数サービスを共存させるために 試行錯誤したこと
複数サービスを共存させるために 試行錯誤したこと
Nagao Shun
CET(Capture EveryThing)プロジェクトにおけるﰀ機械学 習・データマイニング最前線
CET(Capture EveryThing)プロジェクトにおけるﰀ機械学 習・データマイニング最前線
Recruit Lifestyle Co., Ltd.
アドテクノロジーのサービスにおけるアジャイル開発
アドテクノロジーのサービスにおけるアジャイル開発
Nagao Shun
使う人の体験を時間軸で考えよう〜UXデザインの視点を取り入れる
使う人の体験を時間軸で考えよう〜UXデザインの視点を取り入れる
Masaya Ando
20200115SaaS研究会LT
20200115SaaS研究会LT
Ikumi Itokawa
サービスデザインとUXDそしてデザインプロセス
サービスデザインとUXDそしてデザインプロセス
Masaya Ando
UXデザイン概論
UXデザイン概論
Masaya Ando
20181030 fun
20181030 fun
Hiroshi Maruyama
15min発表資料株式会社standard
15min発表資料株式会社standard
Ozawa Kensuke
Ähnlich wie 機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)
(20)
サービスデザイン:デジタルとフィジカルの融合
サービスデザイン:デジタルとフィジカルの融合
20170211クレジットカード認識
20170211クレジットカード認識
run Keras model on opencv
run Keras model on opencv
Slide keieisystem2012
Slide keieisystem2012
20160417dlibによる顔器官検出
20160417dlibによる顔器官検出
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料
研究室紹介
研究室紹介
Service Design Roundtable on 2/15/2014, Y. Sawatani
Service Design Roundtable on 2/15/2014, Y. Sawatani
私のお薦めするG検定勉強法
私のお薦めするG検定勉強法
How to feed myself with computer vision
How to feed myself with computer vision
Pn learning takmin
Pn learning takmin
複数サービスを共存させるために 試行錯誤したこと
複数サービスを共存させるために 試行錯誤したこと
CET(Capture EveryThing)プロジェクトにおけるﰀ機械学 習・データマイニング最前線
CET(Capture EveryThing)プロジェクトにおけるﰀ機械学 習・データマイニング最前線
アドテクノロジーのサービスにおけるアジャイル開発
アドテクノロジーのサービスにおけるアジャイル開発
使う人の体験を時間軸で考えよう〜UXデザインの視点を取り入れる
使う人の体験を時間軸で考えよう〜UXデザインの視点を取り入れる
20200115SaaS研究会LT
20200115SaaS研究会LT
サービスデザインとUXDそしてデザインプロセス
サービスデザインとUXDそしてデザインプロセス
UXデザイン概論
UXデザイン概論
20181030 fun
20181030 fun
15min発表資料株式会社standard
15min発表資料株式会社standard
機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)
1.
機械学習 温故知新 LINE 株式会社 Data
Science and Engineering Center / Data Labs / Machine Learning 1 Team 渡辺 哲朗 2020.08.08 第47回 Machine Learning 15minutes! Broadcast
2.
登壇者紹介 2005 : 東京大学
工学部 システム創成学科 知能社会システムコース (PSI)卒業 2007 : 東京大学 大学院新領域創成科学研究科 基盤情報学専攻 修士課程 修了 2007 – 2009 : 株式会社ソニー・コンピュータエンタテインメント 2009 – 2014 : 修行期間(簿記会計の道に進んだり、スマート フォン向けアプリ企業に勤務したり……) 2014 – 2018 : 東京大学 大学院工学系研究科 技術経営戦略学専攻 博士後期課程 修了 (IEEE CIS Young Researcher Award ほか、いろいろ受賞) 2018 – 2019 : 株式会社 金融エンジニアリング・グループ 2019 – : 現職 渡辺 哲朗 (Tetsuroh Watanabe) LINE 株式会社 Senior Machine Learning Engineer
3.
「古典的な機械学習の手法も大切」というお話 • 最近の学術界でも高い評価について • 実務でのエピソードも少しご紹介 今日の内容
4.
1. 学術界での古典的手法の高評価 ― 最近のトップカンファレンスを例に
―
5.
最小二乗法とは? 機械学習系の世界最高峰カンファレンス “NeurIPS 2019”
で Best Paper Award 受賞 事例1 : 「最小二乗法」を高速化した研究 • 大学初年次あたりで習う、とてもポピュラーな手法 • 測定データに最もフィットする線が引ける(回帰分析) ※出典:IbrahimJubran, Alaa Maalouf, Dan Feldman : “Fast and Accurate Least-Mean-Squares Solvers”, NeurIPS 2019 https://neurips.cc/Conferences/2019/Schedule?showEvent=15696 どんな研究? • 測定データ全体を直接扱うのではなく、 “Coresets” に 分割してから最小二乗法を施す方法を提案 • 既存手法の約100倍もの処理速度を達成 ディープラーニングの最新研究がひしめく中で、「最小二乗法の高速化」が最高評価を得た Coresets への分割を経由した最小二乗法
6.
どんな研究? レコメンドシステム系のトップカンファレンス “RecSys 2019”
で Best Paper Award 受賞 事例2 : ディープラーニングと古典的手法を徹底比較 • 直近のトップカンファレンスで発表のディープラーニング手法18個を再現実験 ※出典:MaurizioFerrari Dacrema, Paolo Cremonesi, Dietmar Jannach : “Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches”, RecSys 2019 https://arxiv.org/abs/1907.06902 古典的手法の方がディープラーニングよりも「使える」場面は、たくさんある 原著データセットのTrain / Test 分割が不適切であることを 指摘した図(両者で分布が違いすぎる) ディープラーニングの問題点を指摘 • 再現性の低さ • スケーラビリティの低さ(計算コストの高さ) • 妥当な努力で再現できた手法は7個だけ! • そのうち6個の性能は、シンプルな古典的手法に敗北 • 残る1個の性能も、ディープラーニングではない線形手法に部分的敗北
7.
どんな研究? コンピュータビジョン系のトップカンファレンス “ECCV 2020”
に採択 事例3 : 画像処理における複数の古典的手法をまとめて一般化 • 画像データの閾値変換に関する下記3つの古典的手法を一般化 し、相互補間するアルゴリズム “GHT” を提案 • 大津の2値化 • Minimum Error Thresholding(MET) • Weighted Percentile Thresholding ※出典:Jonathan T. Barron : “A Generalization of Otsu's Method and Minimum Error Thresholding”, ECCV 2020 https://arxiv.org/abs/2007.07350 ディープラーニング画像処理が隆盛を極める中でもなお、古典的手法の改善は重要な課題 従来手法を補間した閾値設定が自動的に行える (2値化に限らず、多値化に対応) • 閾値設定は自動で行われ、訓練用の画像データセットも不要 • 手書き文字画像2値化ベンチマークで最高精度を達成 ここがスゴい!
8.
ディープラーニングが当たり前になりつつある ような研究領域でも、 古典的手法は依然として有効な手段であり、 その改善は世界から高く評価されている。 ここまでのまとめ
9.
2. 登壇者の実務で実際にあった事例紹介 ― 論文と現実のギャップ
―
10.
社内の、とある機械学習モデル開発プロジェクトにて 実務で最近の手法を試したけど……なエピソード • 従来よりチーム内で長い間使われてきたモデルパターンがあり、それを採用していた • 最新の手法でもし精度が良くなるなら、適用したい ※出典:[1]Liangchen
Luo, Yuanhao Xiong, Yan Liu, Xu Sun : “Adaptive Gradient Methods with Dynamic Bound of Learning Rate ”, ICLR 2019 [2] Diganta Misra : “Mish: A Self Regularized Non-Monotonic Neural Activation Function”, arXiv 1908.08681 (2019) 世間で話題の State-of-the-art な手法を試してみた、が…… • モデル学習時の最適化手法を “Adam” から “AdaBound” [1] に変更 • 収束が遅くなり、業務上の都合で許容さ れる時間内で学習が終わらず、不採用 • 活性化関数を ”ReLU” から “Mish” [2] に変更 • 学習がむしろ進まなくなり、不採用 • これも「再現性の低さ」の一端か 登壇者が最近の手法を試したときに、実際に残した実験メモ
11.
3. まとめ
12.
ディープラーニングなどの State-of-the-art を日々 キャッチアップすることは、もちろん重要です。 しかし、これまで使われてきた古典的手法に目を向 けることも、忘れないようにしたいです。 「故きを温めて新しきを知る」の心を大切にしてゆ きたいです。 今回お伝えしたかったコト
13.
LINE では Engineer
や Data Scientist など 様々なポジションで積極的に募集中です! 募集詳細は こちらの QR コード からアクセス 【募集ポジション例】 ・機械学習エンジニア ・サーバーサイドエンジニア ・データサイエンティスト ・プロジェクトマネージャー ・機械学習リサーチャー など