Enviar búsqueda
Cargar
[DL輪読会](Sequential) Variational Autoencoders for Collaborative Filtering
•
Descargar como PPTX, PDF
•
3 recomendaciones
•
782 vistas
Deep Learning JP
Seguir
020/02/07 Deep Learning JP: http://deeplearning.jp/seminar-2/2
Leer menos
Leer más
Tecnología
Denunciar
Compartir
Denunciar
Compartir
1 de 22
Descargar ahora
Recomendados
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
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
最適化超入門
最適化超入門
Takami Sato
強化学習その3
強化学習その3
nishio
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
強化学習その2
強化学習その2
nishio
Recomendados
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
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
最適化超入門
最適化超入門
Takami Sato
強化学習その3
強化学習その3
nishio
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII
強化学習その2
強化学習その2
nishio
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
Preferred Networks
SAT/SMTソルバの仕組み
SAT/SMTソルバの仕組み
Masahiro Sakai
[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
【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
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
Shota Imai
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
西岡 賢一郎
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
Deep Learning JP
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII
多様な強化学習の概念と課題認識
多様な強化学習の概念と課題認識
佑 甲野
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験
克海 納谷
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
強化学習の基礎的な考え方と問題の分類
強化学習の基礎的な考え方と問題の分類
佑 甲野
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
Shota Imai
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
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
勉強会カンファレンス2011、企業と勉強会
勉強会カンファレンス2011、企業と勉強会
Hiro Yoshioka
Opensource and Value creation by community
Opensource and Value creation by community
Hiro Yoshioka
Más contenido relacionado
La actualidad más candente
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
Preferred Networks
SAT/SMTソルバの仕組み
SAT/SMTソルバの仕組み
Masahiro Sakai
[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
【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
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
Shota Imai
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
西岡 賢一郎
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
Deep Learning JP
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII
多様な強化学習の概念と課題認識
多様な強化学習の概念と課題認識
佑 甲野
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験
克海 納谷
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
強化学習の基礎的な考え方と問題の分類
強化学習の基礎的な考え方と問題の分類
佑 甲野
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
Shota Imai
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
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
La actualidad más candente
(20)
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
SAT/SMTソルバの仕組み
SAT/SMTソルバの仕組み
[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
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
強化学習エージェントの内発的動機付けによる探索とその応用(第4回 統計・機械学習若手シンポジウム 招待公演)
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
SSII2019OS: 深層学習にかかる時間を短くしてみませんか? ~分散学習の勧め~
多様な強化学習の概念と課題認識
多様な強化学習の概念と課題認識
強化学習アルゴリズムPPOの解説と実験
強化学習アルゴリズムPPOの解説と実験
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
強化学習の基礎的な考え方と問題の分類
強化学習の基礎的な考え方と問題の分類
全力解説!Transformer
全力解説!Transformer
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
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?
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
Similar a [DL輪読会](Sequential) Variational Autoencoders for Collaborative Filtering
勉強会カンファレンス2011、企業と勉強会
勉強会カンファレンス2011、企業と勉強会
Hiro Yoshioka
Opensource and Value creation by community
Opensource and Value creation by community
Hiro Yoshioka
協調フィルタリング with Mahout
協調フィルタリング with Mahout
Katsuhiro Takata
Linked Open Dataで市民協働と情報技術者をつなげる試み
Linked Open Dataで市民協働と情報技術者をつなげる試み
Shun Shiramatsu
ハッカー中心の企業文化を日本で根付かせるには。TechLION vol.5 12/14/2011
ハッカー中心の企業文化を日本で根付かせるには。TechLION vol.5 12/14/2011
Hiro Yoshioka
[DL輪読会]ODT: Online Decision Transformer
[DL輪読会]ODT: Online Decision Transformer
Deep Learning JP
マイニング探検会#09 情報レコメンデーションとは
マイニング探検会#09 情報レコメンデーションとは
Yoji Kiyota
WWW2018 論文読み会 Web Search and Mining
WWW2018 論文読み会 Web Search and Mining
cyberagent
最終報告会
最終報告会
Kazuhiro Ikeda
楽天の中のわたしと勉強会
楽天の中のわたしと勉強会
Rakuten Group, Inc.
Hadoop conference Japan 2011
Hadoop conference Japan 2011
Takahiko Ito
図書館総合展ネクスト主催フォーラム「アカデミックとリアルの谷を埋める道」基調講演 2011年11月11日
図書館総合展ネクスト主催フォーラム「アカデミックとリアルの谷を埋める道」基調講演 2011年11月11日
Yoji Kiyota
20100828 code4 lib_japan_事業説明(全事業)
20100828 code4 lib_japan_事業説明(全事業)
Code4Lib JAPAN
Survey of Scientific Publication Analysis by NLP and CV
Survey of Scientific Publication Analysis by NLP and CV
Shintaro Yamamoto
分散表現を用いたリアルタイム学習型セッションベース推薦システム
分散表現を用いたリアルタイム学習型セッションベース推薦システム
Okamoto Laboratory, The University of Electro-Communications
WWW2017 Recommender Systems ふりかえり
WWW2017 Recommender Systems ふりかえり
yyammt
マイニング探検会#12
マイニング探検会#12
Yoji Kiyota
ライフエンジンを支える検索エンジンの作り方
ライフエンジンを支える検索エンジンの作り方
Chiaki Hatanaka
社内Twitter研究会、by 勉強会同好会 110426
社内Twitter研究会、by 勉強会同好会 110426
Hiro Yoshioka
20090827 ku-librarians勉強会 #114 : Wikipediaをいかに使いこなすか? ---知識抽出、情報ナビゲーション、そしてトピ...
20090827 ku-librarians勉強会 #114 : Wikipediaをいかに使いこなすか? ---知識抽出、情報ナビゲーション、そしてトピ...
kulibrarians
Similar a [DL輪読会](Sequential) Variational Autoencoders for Collaborative Filtering
(20)
勉強会カンファレンス2011、企業と勉強会
勉強会カンファレンス2011、企業と勉強会
Opensource and Value creation by community
Opensource and Value creation by community
協調フィルタリング with Mahout
協調フィルタリング with Mahout
Linked Open Dataで市民協働と情報技術者をつなげる試み
Linked Open Dataで市民協働と情報技術者をつなげる試み
ハッカー中心の企業文化を日本で根付かせるには。TechLION vol.5 12/14/2011
ハッカー中心の企業文化を日本で根付かせるには。TechLION vol.5 12/14/2011
[DL輪読会]ODT: Online Decision Transformer
[DL輪読会]ODT: Online Decision Transformer
マイニング探検会#09 情報レコメンデーションとは
マイニング探検会#09 情報レコメンデーションとは
WWW2018 論文読み会 Web Search and Mining
WWW2018 論文読み会 Web Search and Mining
最終報告会
最終報告会
楽天の中のわたしと勉強会
楽天の中のわたしと勉強会
Hadoop conference Japan 2011
Hadoop conference Japan 2011
図書館総合展ネクスト主催フォーラム「アカデミックとリアルの谷を埋める道」基調講演 2011年11月11日
図書館総合展ネクスト主催フォーラム「アカデミックとリアルの谷を埋める道」基調講演 2011年11月11日
20100828 code4 lib_japan_事業説明(全事業)
20100828 code4 lib_japan_事業説明(全事業)
Survey of Scientific Publication Analysis by NLP and CV
Survey of Scientific Publication Analysis by NLP and CV
分散表現を用いたリアルタイム学習型セッションベース推薦システム
分散表現を用いたリアルタイム学習型セッションベース推薦システム
WWW2017 Recommender Systems ふりかえり
WWW2017 Recommender Systems ふりかえり
マイニング探検会#12
マイニング探検会#12
ライフエンジンを支える検索エンジンの作り方
ライフエンジンを支える検索エンジンの作り方
社内Twitter研究会、by 勉強会同好会 110426
社内Twitter研究会、by 勉強会同好会 110426
20090827 ku-librarians勉強会 #114 : Wikipediaをいかに使いこなすか? ---知識抽出、情報ナビゲーション、そしてトピ...
20090827 ku-librarians勉強会 #114 : Wikipediaをいかに使いこなすか? ---知識抽出、情報ナビゲーション、そしてトピ...
Más de Deep Learning JP
【DL輪読会】AdaptDiffuser: Diffusion Models as Adaptive Self-evolving Planners
【DL輪読会】AdaptDiffuser: Diffusion Models as Adaptive Self-evolving Planners
Deep Learning JP
【DL輪読会】事前学習用データセットについて
【DL輪読会】事前学習用データセットについて
Deep Learning JP
【DL輪読会】 "Learning to render novel views from wide-baseline stereo pairs." CVP...
【DL輪読会】 "Learning to render novel views from wide-baseline stereo pairs." CVP...
Deep Learning JP
【DL輪読会】Zero-Shot Dual-Lens Super-Resolution
【DL輪読会】Zero-Shot Dual-Lens Super-Resolution
Deep Learning JP
【DL輪読会】BloombergGPT: A Large Language Model for Finance arxiv
【DL輪読会】BloombergGPT: A Large Language Model for Finance arxiv
Deep Learning JP
【DL輪読会】マルチモーダル LLM
【DL輪読会】マルチモーダル LLM
Deep Learning JP
【 DL輪読会】ToolLLM: Facilitating Large Language Models to Master 16000+ Real-wo...
【 DL輪読会】ToolLLM: Facilitating Large Language Models to Master 16000+ Real-wo...
Deep Learning JP
【DL輪読会】AnyLoc: Towards Universal Visual Place Recognition
【DL輪読会】AnyLoc: Towards Universal Visual Place Recognition
Deep Learning JP
【DL輪読会】Can Neural Network Memorization Be Localized?
【DL輪読会】Can Neural Network Memorization Be Localized?
Deep Learning JP
【DL輪読会】Hopfield network 関連研究について
【DL輪読会】Hopfield network 関連研究について
Deep Learning JP
【DL輪読会】SimPer: Simple self-supervised learning of periodic targets( ICLR 2023 )
【DL輪読会】SimPer: Simple self-supervised learning of periodic targets( ICLR 2023 )
Deep Learning JP
【DL輪読会】RLCD: Reinforcement Learning from Contrast Distillation for Language M...
【DL輪読会】RLCD: Reinforcement Learning from Contrast Distillation for Language M...
Deep Learning JP
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
Deep Learning JP
【DL輪読会】"Language Instructed Reinforcement Learning for Human-AI Coordination "
【DL輪読会】"Language Instructed Reinforcement Learning for Human-AI Coordination "
Deep Learning JP
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
Deep Learning JP
【DL輪読会】"Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware"
【DL輪読会】"Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware"
Deep Learning JP
【DL輪読会】Parameter is Not All You Need:Starting from Non-Parametric Networks fo...
【DL輪読会】Parameter is Not All You Need:Starting from Non-Parametric Networks fo...
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
【DL輪読会】Self-Supervised Learning from Images with a Joint-Embedding Predictive...
【DL輪読会】Self-Supervised Learning from Images with a Joint-Embedding Predictive...
Deep Learning JP
【DL輪読会】Towards Understanding Ensemble, Knowledge Distillation and Self-Distil...
【DL輪読会】Towards Understanding Ensemble, Knowledge Distillation and Self-Distil...
Deep Learning JP
Más de Deep Learning JP
(20)
【DL輪読会】AdaptDiffuser: Diffusion Models as Adaptive Self-evolving Planners
【DL輪読会】AdaptDiffuser: Diffusion Models as Adaptive Self-evolving Planners
【DL輪読会】事前学習用データセットについて
【DL輪読会】事前学習用データセットについて
【DL輪読会】 "Learning to render novel views from wide-baseline stereo pairs." CVP...
【DL輪読会】 "Learning to render novel views from wide-baseline stereo pairs." CVP...
【DL輪読会】Zero-Shot Dual-Lens Super-Resolution
【DL輪読会】Zero-Shot Dual-Lens Super-Resolution
【DL輪読会】BloombergGPT: A Large Language Model for Finance arxiv
【DL輪読会】BloombergGPT: A Large Language Model for Finance arxiv
【DL輪読会】マルチモーダル LLM
【DL輪読会】マルチモーダル LLM
【 DL輪読会】ToolLLM: Facilitating Large Language Models to Master 16000+ Real-wo...
【 DL輪読会】ToolLLM: Facilitating Large Language Models to Master 16000+ Real-wo...
【DL輪読会】AnyLoc: Towards Universal Visual Place Recognition
【DL輪読会】AnyLoc: Towards Universal Visual Place Recognition
【DL輪読会】Can Neural Network Memorization Be Localized?
【DL輪読会】Can Neural Network Memorization Be Localized?
【DL輪読会】Hopfield network 関連研究について
【DL輪読会】Hopfield network 関連研究について
【DL輪読会】SimPer: Simple self-supervised learning of periodic targets( ICLR 2023 )
【DL輪読会】SimPer: Simple self-supervised learning of periodic targets( ICLR 2023 )
【DL輪読会】RLCD: Reinforcement Learning from Contrast Distillation for Language M...
【DL輪読会】RLCD: Reinforcement Learning from Contrast Distillation for Language M...
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
【DL輪読会】"Secrets of RLHF in Large Language Models Part I: PPO"
【DL輪読会】"Language Instructed Reinforcement Learning for Human-AI Coordination "
【DL輪読会】"Language Instructed Reinforcement Learning for Human-AI Coordination "
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
【DL輪読会】Llama 2: Open Foundation and Fine-Tuned Chat Models
【DL輪読会】"Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware"
【DL輪読会】"Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware"
【DL輪読会】Parameter is Not All You Need:Starting from Non-Parametric Networks fo...
【DL輪読会】Parameter is Not All You Need:Starting from Non-Parametric Networks fo...
【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 ...
【DL輪読会】Self-Supervised Learning from Images with a Joint-Embedding Predictive...
【DL輪読会】Self-Supervised Learning from Images with a Joint-Embedding Predictive...
【DL輪読会】Towards Understanding Ensemble, Knowledge Distillation and Self-Distil...
【DL輪読会】Towards Understanding Ensemble, Knowledge Distillation and Self-Distil...
Último
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
Último
(10)
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
[DL輪読会](Sequential) Variational Autoencoders for Collaborative Filtering
1.
1 DEEP LEARNING JP [DL
Papers] http://deeplearning.jp/ (Sequential)Variational Autoencoders for Collaborative Filtering Jun Hozumi, Matsuo Lab
2.
書誌情報 • Title: Variational
Autoencoders for Collaborative Filtering • Authors: Dawen Liang, Rahul G. Krishnan, Matthew D. Hoffman, Tony Jebara • Affiliations: Netflix, MIT, Google AI • Conference: WWW 2018 • Title: Sequential Variational Autoencoders for Collaborative Filtering • Authors: Noveen Sachdeva, Giuseppe Manco, Ettore Ritacco, Vikram Pudi • Affiliations: IITH, ICRA-CNR • Conference: WSDM 2019 2 ・ボリュームの都合、2本紹介します ・VAEについて既知であるとします
3.
背景(今回考えるタスク) • 協調フィルタリング • ユーザに対し、嗜好の類似した他のユーザの情報を用いて推薦する手法 •
今回はImplicit feedback(クリック履歴など、興味の度合いが不明なケース)問題に取り組む • cf. explicit feedback(5段階評価など) 3 https://www.albert2005.co.jp/knowledge/marketing/recommendation_basics/collaborative_filtering (これはExplicit)
4.
目的 • 潜在因子モデルや深層学習の導入でモデルの精度が上がってきている • ここで、今回は今まであまり使われていなかったVAEを採用してみる •
VAEを推薦システムに用いるためには、2点の修整が必要 • 多項(マルチヌーイ)分布を採用する(Mult-VAE) • 過学習を防ぐために目的関数を再解釈する • スモールかつスパースなデータでも、過学習を防ぎつつロバストにすることができる 4
5.
提案手法1 • 以後、ユーザはu、アイテムはi • 次元はK、確率分布はπ、潜在変数はzで表す •
𝒙 𝑢はuのアイテムiへのクリック情報を含んだBag-of-Wordsベクトル • 𝒙 𝑢が多項分布に従うものとする • 普通のVAEならガウス分布 • (𝑓𝜃を線形にしてガウス尤度を採用するとMatrix Factorizationになる) 5
6.
提案手法2 • 学習の要領はSGDを用いたVAEと同じ 6
7.
提案手法3 • 正則化項に係数βを掛けて小さくする • βを0から1に近づけてベストな値を探っていく(線形アニーリング) •
実際に精度向上に効果がある 7 http://approximateinference.org/2017/schedule/Liang2017.pdf
8.
提案手法4 • 𝑓𝜃 𝑧
の正規化前の予測結果をランキング化して、予測結果とする • 新規ユーザの𝒙 𝑢 に対しても予測を出せるため、実務応用が可能 • コールドスタート問題への対応 8 𝑓𝜃(𝑧) 𝑔 𝜙(𝑥)
9.
データセット • MovieLens-20M (ML-20M):
5段階評価で4以上を付けた映画 • 最低5本評価しているユーザのみが対象 • Netflix Prize: MovieLensと同様にピックアップ • Million Song Dataset(MSD): 曲を聴いたかどうか • 200人以上に聴かれた曲を20曲以上聴いたユーザのみが対象 9
10.
評価指標 • Normalized Discounted
Cumulative Gain (NDCG) • 𝜔(𝑟): r位のアイテム、𝐼 𝑢:uがクリックしたアイテム • 上位の予測結果ほど重要 • Recall@R • 予測結果のTopRが等しく重要 • Precision@R: Recallの分母が 𝐼_𝑢 • 次の研究で登場 10 https://blog.brainpad.co.jp/entry/2017/08/25/140000 NDCGの説明(explicitの例)
11.
実験結果1 • 各評価指標で既存手法に勝利 • Mult-DAEは多項分布を用いたDenoising
Autoencoder 11
12.
実験結果2 • 事前学習なしのNCF(Neural Collaborative
Filtering)に勝利 • 他の分布より多項分布を採用したほうが精度が高くなる 12
13.
実験結果3 • 行動数のレベルでユーザを分類して別々に実験した結果 • 行動数が少ない場合ほどMult-VAEが有効 13
14.
まとめ • 協調フィルタリングのためのVAEベースの手法を提案した • モデリングの際には多項分布が適していた •
KL項にβを導入してアニーリングすると良い • 既存手法に精度で上回ることができた • スモールデータに対する有効性も示せた • 今後の課題 • βの理論的考察 • 条件付き版への拡張 14
15.
書誌情報 • Title: Variational
Autoencoders for Collaborative Filtering • Authors: Dawen Liang, Rahul G. Krishnan, Matthew D. Hoffman, Tony Jebara • Affiliations: Netflix, MIT, Google AI • Conference: WWW 2018 • Title: Sequential Variational Autoencoders for Collaborative Filtering • Authors: Noveen Sachdeva, Giuseppe Manco, Ettore Ritacco, Vikram Pudi • Affiliations: IITH, ICRA-CNR • Conference: WSDM 2019 15
16.
(前の研究を踏まえた)導入 • 今回は嗜好の履歴に着目する • 先ほど紹介したMVAEだと嗜好をBag
of Words的に取り扱っている • そのときに依存関係や因果関係が失われているかもしれない • VAEを再帰的になるよう拡張する(Sequentional VAE; SVAE) • 長期・短期の依存関係を捉える • 潜在変数と時間依存性の合わせ技で精度を上げる 16
17.
提案手法 • 系列の場合、こう書ける • つまり、モデリング可能な再帰的関係があり、各ステップは条件付VAEでモデル化できる •
ここでMult-VAEと同様の設定を用いて 17
18.
アーキテクチャ • SVAEのアーキテクチャ • 系列を扱うVAEには様々なグラフィカルモデルが考えられる •
今回のSVAEは(c)に該当する 18
19.
提案手法の拡張 • SVAEは(tに依らず)次のk個のアイテムに焦点が当たるように拡張できる • 式を書き換えるとAttentionとの類似性も見えてくる •
𝑥 𝑢 𝑡 が直前k個の潜在変数に依存しているから 19
20.
実験結果1 • MVAEや他の既存手法に勝利 • 系列長が長くなるほどSVAEは真価を発揮する 20
21.
実験結果2 • 次のk個を予測するというタスクにでは、k=4がベスト • 収束も早く、過学習しにくい 21
22.
まとめ • RNNの系列モデリングとVAEの組み合わせは系列の推薦に効果的 • シンプルかつ既存手法に比べて良い結果に •
今後はもっと理論的な分析が必要 • 各グラフィカルモデル(a)〜(d)での考察とか • 異なるアーキテクチャ(畳み込みや確率的など)も試してみる価値がある 22
Descargar ahora