SlideShare a Scribd company logo
1 of 56
Download to read offline
CRFを用いた

メディア情報の抽出とLinked Data化

~ ソーシャルメディアとマスメディアの比較事例 ~	
                               JAWS 2012 発表資料	

        <WEB・ネットワーク・ソーシャルメディア>	
                  2012/10/26	
              10:40~12:30 会場(A)	



電気通信大学 大学院情報システム学研究科	
越川兼地, 川村隆浩, 中川博之, 田原康之, 大須賀昭彦	
	
  
UID: 29 CRFを用いたメディア情報の抽出とLinked Data化
            ∼ ソーシャルメディアとマスメディアの比較事例 ∼
     発表者: 越川 兼地     所属: 電気通信大学 大須賀・田原研究室

                                マス/ソーシャルメディア
                                報じられる情報の差に着目
                              メ          変
                                         換意
                                                 異
                                                 種
                              デ

                                   	
         ツイッターから構築した
                        ,味 情
          事象ネットワーク(RDF)
                           報  ィ
              現見 事可 築
                        構
                              ア                      新
              	
  




  較   機 日応
 . 関
  事     配用           視     事投 比
                                                     聞
	




  例     備事 提      象化       象稿
          例案      情           較
                            ー




  紹話    れ
                                             ー
               化報          表れ の
  介題         .             現       発表日
        輸                     研 10月26日 金	
                                         ー
                     	
  




    比   送 先    実
                      ,       究
 セッション情報: <WEB・ネットワーク・ソーシャルメディア> 10:50∼12:
                                  	
  
事象情報の見える化エージェント
            デモ
ある事象(出来事)に関する本研究で構築した	
事象ネットワークをお見せします.	
	


<ネットワークの説明>	
                       例	
 山手線	
•  ノード:	
                                       状態	
     –  概念 (キーワード)	
           時間	
     	
                               運転見合わせ	
                       9時頃	
•  エッジ:	
     –  ノード間の関係を明示的に表す.	
     	
              後述	
     	
                                       3
デモ(動画:  事象ネットワークの可視化)




        デモ動画	




                    4
本研究の提案エージェント/貢献

•  提案するエージェント:	
  
   「メディアの情報から	
  
   事象情報(出来事)を見える化する」	
  

•  貢献	
  
   「事象把握の容易化につながる」	
  
   –  各メディアでの主張・論点がわかり,	
  
     	
  多角的な視点での事象理解に貢献.	
  


                                5
背景
ソーシャルメディアの爆発的普及.	
	
マス・ソーシャルメディアで報道・投稿される情報の
違いが顕在化.	
   => 「話題に上る」,「問題視される」など世間を
   賑わしている.	
 e.g. 偏向報道, 情報操作	
	
我々は,メディア間の情報差分が重要な情報につ
ながると考えている.	
                          6
問題点
多くの事象(出来事)について,	
マス・ソーシャルメディアから情報収集/整理し偏り
のない情報理解を確立するのは困難.	
	
	
目的
	
各メディア情報から事象情報の見える化を行
うエージェントを提案する.	

                           7
目次   	
          デモ   	

     	

          背景    	

     	

     	
          提案システム          	

     	

          応用事例       	

     	

     	
          まとめ	
          	

          今後の課題	
     	
                        8
システムの入出力




           9
提案システム概要
提案システム概要




           5. CRFを用いた	
             事象の抽出
5.  CRFを用いた事象属性の推定

ソリューション:	
                                                                                                                      [Lafferty	
  2001]	
  

   条件付き確率場(CRF: Conditional Random Field)	
   を用いて形態素毎に事情属性を推測する.	
   	

                                 事象情報を表現するために定義した属性	
                                      (次スライドで説明)	


[Lafferty	
  2001]	
  Lafferty,	
  J.,	
  McCallum,	
  A.,	
  and	
  Pereira,	
  F.:	
  Condi<onal	
  random	
  fields:	
  Probabilis<c	
  models	
  for	
  
segmen<ng	
  and	
  labeling	
  sequence	
  data,	
  in	
  Proc.	
  ICML2001	
  (2001)	


                                                                                                                                                            12
事象の表現方法
        	
   事象情報を表現するために,[Nguyen 12]の	
        	
   行動属性を拡張し9つの事象属性を定義した.	
                                 事象属性	
                                                         意味	
                                 Subject	
                                                      主題	
                                 Ac<on	
                                                        動作	
  
                                 What	
                                                         動作の目的語	
                                 Target	
  (new)	
                                              動作の対象者	
                                 Status	
  (new)	
                                              主題の状態	
                                 Where	
                                                        事象の起こる場所	
                                 When	
                                                         事象の起こる時刻及び場面	
                                 Because	
  of	
  (new)	
                                       事象の因果関係	
                                 According	
  (new)	
                                           情報の発信元	
[Nguyen	
  12]	
  
      The-­‐Minh	
  Nguyen,	
  Takahiro	
  Kawamura,	
  Yasuyuki	
  Tahara,	
  	
  and	
  	
  Akihiko	
  Ohsuga:	
  Self-­‐Supervised	
  Capturing	
  of	
  Users’	
  Ac<vi<es	
  from	
  
      Weblogs.	
  Interna<onal	
  Journal	
  of	
  Intelligent	
  Informa<on	
  and	
  Database	
  Systems,Vol.6,	
  No.1,	
  pp.61-­‐76,	
  InderScience	
  Publishers,	
  2012	
                                                                                                                                                                                    13
事象属性と意味ネットワークを用いた
事象の表現方法–  例1
	
  
	
  文A: 	
     悪天候のため操縦が難しい.	
  


             因果関係	
                             状態	



                      主題	


                                    14
5.  CRFを用いた事象属性の推定




オンライン処理	
   オフライン処理	
 	



                 処理フロー	
 15
5.  CRFを用いた事象属性の推定




オンライン処理	
               オフライン処理	
 5-1 データの分割(訓練/テスト)	



                             処理フロー	
 16
5.  CRFを用いた事象属性の推定




オンライン処理	
               オフライン処理	
 5-1 データの分割(訓練/テスト)	
   5-2 訓練データの作成	
                        	


                             処理フロー	
 17
前工程までの処理

Dataset	


 Data (一部)	
  オスプレイ	
         形態素解析	
  軍用機シリーズが	
  
  ブックオフにあったので	
  
  10冊買ってきた…	


                            18
5.  CRFを用いた事象属性の推定:
 訓練データの作成方法


           人手で形態素毎に
           事象属性ラベルの
           付与を行う. 	




                       19
5.  CRFを用いた事象属性の推定:
 訓練データの作成方法


           人手で形態素毎に
           事象属性ラベルの
           付与を行う. 	



           B:   Begin 表現の始まり	
           I:   Inside表現の途中	
           O:   Outside表現以外	
                                 20
5.  CRFを用いた事象属性の推定




オンライン処理	
               オフライン処理	
 5-1 データの分割(訓練/テスト)	
   5-2 訓練データの作成	



                             処理フロー	
 21
5.  CRFを用いた事象属性の推定




オンライン処理	
               オフライン処理	
 5-1 データの分割(訓練/テスト)	
   5-2 訓練データの作成	
                        5-3 学習モデルの構築	


                             処理フロー	
 22
5.  CRFを用いた事象属性の推定




オンライン処理	
               オフライン処理	
 5-1 データの分割(訓練/テスト)	
   5-2 訓練データの作成	
 5-4 学習モデルを用いて	
        5-3 学習モデルの構築	
   	
 事象属性を推測	
                             処理フロー	
 23
②  事象属性を推定する:
        4.事象ラベルの推測精度  1/2
  評価実験概要:	
  正解データを用意し,5-交差検定を行った.	
  精度指標(Precision/Recall/F値)は各回(5回)の平均
  値により算出した.(20%をテストデータとした.)	
  	

   正解データの概要:	
   	
 ラベル 文の Subject	
Action	
 What	
Target	
Status	
Where	
 When	
 Because_o Accordin
 メディア	
          数	
 数	
                                                       f	
      g	
   	
 2,482	
170	
 274	
307	
262	
 10	
160	
 46	
 75	
 16	
 39	
Twitter	
   	
 1,228	
 55	
 93	
188	
131	
 28	
 29	
 40	
 44	
 17	
 4	
朝日新聞	
デジタル	
   	
                                                                                  24
②  事象属性を推定する:
            4.事象ラベルの推測精度  2/2
結果:	
  メディア	
        指標	
     Subject	
 Action	
   What	
   Target	
 Status	
 Where	
   When	
 Because_of	
 According	
    平均	


Twitter	
   Presicion	
 64.14%	
 74.79%	
 50.17%	
 -	
          68.71%	
 82.48%	
 74.20%	
     -	
         80.00%	
 70.64%	

            Recall	
      59.24%	
 74.32%	
 39.76%	
 -	
        33.16%	
 46.45%	
 45.76%	
     -	
         38.48%	
 48.17%	

            F-measure	
 61.10%	
 74.35%	
 43.87%	
 -	
          44.60%	
 55.60%	
 54.51%	
     -	
         47.67%	
 54.53%	

朝日新聞	
デジタル	
      Presicion	
 70.50%	
 81.02%	
 58.53%	
 63.75%	
 87.50%	
 88.93%	
 70.81%	
         -	
         -	
       74.43%	
            Recall	
      48.61%	
 82.76%	
 43.56%	
 60.71%	
 50.98%	
 66.38%	
 74.44%	
       -	
         -	
       61.07%	
            F-measure	
 57.35%	
 81.38%	
 49.37%	
 60.14%	
 59.72%	
 75.07%	
 71.81%	
         -	
         -	
       64.98%	



                 Presicionはそこそこの精度.	

                                                                                                                        25
②  事象属性を推定する:
            4.事象ラベルの推測精度  2/2
結果:	
  メディア	
        指標	
     Subject	
 Action	
   What	
   Target	
 Status	
 Where	
   When	
 Because_of	
 According	
    平均	


Twitter	
   Presicion	
 64.14%	
 74.79%	
 50.17%	
 -	
          68.71%	
 82.48%	
 74.20%	
     -	
         80.00%	
 70.64%	

            Recall	
      59.24%	
 74.32%	
 39.76%	
 -	
        33.16%	
 46.45%	
 45.76%	
     -	
         38.48%	
 48.17%	

            F-measure	
 61.10%	
 74.35%	
 43.87%	
 -	
          44.60%	
 55.60%	
 54.51%	
     -	
         47.67%	
 54.53%	

朝日新聞	
デジタル	
      Presicion	
 70.50%	
 81.02%	
 58.53%	
 63.75%	
 87.50%	
 88.93%	
 70.81%	
         -	
         -	
       74.43%	
            Recall	
      48.61%	
 82.76%	
 43.56%	
 60.71%	
 50.98%	
 66.38%	
 74.44%	
       -	
         -	
       61.07%	
            F-measure	
 57.35%	
 81.38%	
 49.37%	
 60.14%	
 59.72%	
 75.07%	
 71.81%	
         -	
         -	
       64.98%	

Twitterデータセット側の再現率の低さが目立つ.	
   要因: ソーシャルメディア側の表現の崩れ,表現自体の多さな
   どのメディア独自の特性から学習データの不足がその一因と
   考えられる.	
                                                                                                                        26
5.  CRFを用いた事象属性の推定




オンライン処理	
               オフライン処理	
 5-1 データの分割(訓練/テスト)	
   5-2 訓練データの作成	
 5-4 学習モデルを用いて	
        5-3 学習モデルの構築	
   	
 事象属性を推測	

                             処理フロー	
 27
5.  CRFを用いた事象属性の推定

                  [{	
  “When”:	
  “10月から”,	
  
                  	
  	
  	
  	
  “Ac5on”:	
  “本格運用される”,	
  
                  	
  	
  	
  	
  “Subject”:	
  “オスプレイ”	
  },	
  
                  	
  	
  {…},]	
  



オンライン処理	
                   オフライン処理	
 5-1 データの分割(訓練/テスト)	
       5-2 訓練データの作成	
 5-4 学習モデルを用いて	
            5-3 学習モデルの構築	
   	
 事象属性を推測	
 5-5 事象の抽出	
    (using ヒューリスティックルール)	
               処理フロー	
 28
提案システム概要




                         [{	
  “When”:	
  “10月から”,	
  
  言語	
                   	
  	
  	
  	
  “Ac5on”:	
  “本格運用される”,	
  
  ライブラリを	
               	
  	
  	
  	
  “Subject”:	
  “オスプレイ”	
  },	
  
  用いて変換	
                	
  	
  {…},]	
  
  (Python:	
  rdflib)
なぜLinked  Data形式で出力?
① 分析面での利点	
	

     概念間の関係性が明示されたネットワークを表現で
     きる.	
         太  2	
 二
	
                        郎	
   何関係?	
   郎	
	
	
                     何関係?	
 1	
      花
② 供給のしやすさ	
           重みつき有向グラフ	
                                       子	
	

     本システムで得た構造化された事象情報の利用機
     会を高めるために,将来性を考慮してLinked Data
     形式で出力することを選んだ.	
     いずれは Linked Open Data (LOD)に。	
                                             30
なぜLinked  Data形式で出力?
① 分析面での利点	
	

     概念間の関係性が明示されたネットワークを表現で
     きる.	
         太   2	
                      恋人	
 二
	
                 太       二
                        郎	
                        郎	
   何関係?	
   郎	
                                       郎	
	
	
                     何関係?	
                          友人	
1	
 花
                                  花
② 供給のしやすさ	
            RDF	
      子	
                      重みつき有向グラフ	
 子	
	

     本システムで得た構造化された事象情報の利用機
     会を高めるために,将来性を考慮してLinked Data
     形式で出力することを選んだ.	
     いずれは Linked Open Data (LOD)に。	
                                             31
目次   	
          デモ   	

     	

          背景    	

     	

     	
          提案システム          	

     	

          応用事例       	

     	

     	
          まとめ	
          	

          今後の課題	
     	
                        32
メディア比較事例:
 話題:  「オスプレイ」

オスプレイに関する比較事例を紹介します.




   1月    4月
              7月       10月
応用事例:  データセットについて
対象期間: 	
2012 4/01 ~ 2012 8/16	
	

フィルタリングキーワード: 「オスプレイ」	
	

フィルタリング後のデータセット情報:	
                  フィルタリングを
            1ツイートあたり

        メディア	
               通過率 [%]	
                      総文字数	
                 通過したツイート数	
             の文字数	
     Twitter	
           3,084	
     0.0255%	
       76 	
 234,168	

                      運営元
                    1記事あたり

        ニュースメディア	
                 記事数	
                    総文字数	
                       媒体	
                   の平均文字数	
     MSN 産経ニュース	
    新聞社	
            231	
         375	
     86,553	
     朝日新聞デジタル	
      新聞社	
            116	
         358	
     41,559	
     日テレ NEWS24	
    TV局	
            110	
          96	
     10,534	
     FNN	
           TV局	
             78	
         503	
     39,235	
                                                                   34
ネットワーク可視化の工夫点
ノード・エッジの大小:	
 	
=> 頻度情報を表現	


ノードの色:	
 	
=> メディア毎の	
 ソーシャル	
                                                               マス	
 	
 	
出現割合を表現	
                                                    共通の話題	

エッジの色: => 関係の種類を識別	
         subject	
          what	
             when	
              status	
     according	

                                                                         because	
                 action	
            where	
            target	
                                                                            of	

※ 使用した可視化ライブラリ: Gephi 0.8.1 beta	
                                                                                       35
ネットワークの可視化例




              36
ネットワークを通しての考察
1.    話題の多様性	
2.    少数意見に関して (略)	
3.    2種のオスプレイの存在	
4.    偏在性に関して (future work)	




                                37
ネットワークを通しての考察
1.    話題の多様性	
2.    少数意見に関して (略)	
3.    2種のオスプレイの存在	
4.    偏在性に関して (future work)	




                                38
考察例1:  「話題の多様性」
                                     ノード数	
 Twitter × 産経ニュース	
                                               Twitter	


                             ノード数:   4218	
                              産経ニュース(新聞)	


                             ノード数:   2134	

                                              FNN(TV)	
ソーシャル	
               マス	
                             ノード数:   917	
          共通の話題	
                                     39
ネットワークを通しての考察
1.    話題の多様性	
2.    少数意見に関して	
3.    2種のオスプレイの存在	
4.    偏在性に関して (future work)	




                                40
考察例3:	
  「2種のオスプレイの存在」	
            ソーシャル	
                 マス	

                      共通の話題	




         日本に配備された機体:	
  MV-­‐22オスプレイ	
ソーシャルメディア側のネットワークには	
「MV-22オスプレイ」, 「CV-22オスプレイ」	
といったオスプレイの型番を示す関係が表現されていた.	
                                         41
考察例3:	
  「2種のオスプレイの存在」	




「MV-22オスプレイ」ノードに着目:	
=>「MV-22」 物資輸送用.「CV-22」の用途は?	
                                 42
考察例3:	
  「2種のオスプレイの存在」	




「事故率」ノードに着目	
                       43
「オスプレイの事故率」に着目	

考察例3:	
  
	
  「2種のオスプレイ	
  
	
  	
  	
  	
  	
  	
  の存在」	
  型番と事故率の関係が反映された(ソーシャル)	
「1.93」に着目	
                          「13.47」に着目	




                                                    44
整理:  MV-22  /  CV-22
オスプレイの型番と事故率の関係
   型番	
            用途	
       事故率	
  MV-­‐22	
       輸送用	
        1.93	
  
 	
  (日本配備)	
米海兵隊所属	
            -­‐	
      2.45	
 航空機平均	
  CV-­‐22	
     特殊作戦用(空軍)	
   13.47	
日本に配備される(た)機種 「MV-22」の事
故率は低い.	
                                          45
考察例3:	
  「2種のオスプレイの存在」	
  
まとめ	
マスメディアにおいて報道されてなかったこと:
 •   異なる機種の存在
 •   型番と事故率の関係
 •   日本に配備される機体の事故率が低いという事実

本ネットワークを通して,
2種のオスプレイの存在及び事故率との関係が確認でき,
マスメディア側の偏向報道の疑いにたどり着くことができた.

偏向報道の疑い:
  「故意に型番と事故率の情報を伏せ,
        反対ムードを換気するかのような報道姿勢」	

                                 46
ネットワークを通しての考察
1.    話題の多様性	
2.    少数意見に関して	
3.    2種のオスプレイの存在	
4.    偏在性に関して (future work)	




                                47
考察例4:	
  偏在性に関して (future	
  work)	
•  ソーシャルメディアから得られる偏在性の差に
   着目: (地域間での意見/世論の差)	
    ※ 今回の評価実験では絞り込み後の位置情報付きのツイートが5
      件と少なく実現できなかった.	
	
                例	
                  	
  「関東地域」・「沖縄地域」から
                      得た事象ネットワークの比
                      較(地域間での比較)	
  



                                        48
考察例4:	
  偏在性に関して (future	
  work)	
            反対	
 what	
                関心ない	
         関
•  ソーシャルメディアから得られる偏在性の差に      what	
         東
   着目: (地域間での意見/世論の差)	
         地        オスプレイ配備	
    ※ 今回の評価実験では絞り込み後の位置情報付きのツイートが5
         域              	
      件と少なく実現できなかった.what	
          	

	
             賛成	
例	
                        Because	
  of	
 かっこいい	
                   	
  「関東地域」・「沖縄地域」から
                        得た事象ネットワークの比
                        較(地域間での比較)	
  



                                             49
考察例4:	
  偏在性に関して (future	
  work)	
   沖
            反対	
 what	
      反対	
         宜野湾市	
 関心ない	
      縄
         関
•  ソーシャルメディアから得られる偏在性の差に   what	
         東 what	
   着目: (地域間での意見/世論の差)	
                                      地
         地        オスプレイ配備	
    ※ 今回の評価実験では絞り込み後の位置情報付きのツイートが5
                                      域




                                               	
         域 オスプレイ配備	
 	
      件と少なく実現できなかった.what	
                                 静か	
        	

	
        what	
             賛成	
例	
Because	
  of	
                             Because	
  of	
 かっこいい	
                        	
  「関東地域」・「沖縄地域」から
         賛成	
                       what	
                            得た事象ネットワークの比
                             保護	
            Because	
  of	
 較(地域間での比較)	
  
                                             尖閣諸島	

                                                  50
目次   	
          デモ   	

     	

          背景    	

     	

     	
          提案システム          	

     	

          応用事例       	

     	

     	
          まとめ	
          	

          今後の課題	
     	
                        51
まとめ
◎本エージェントのできる(た)こと   	



 ○  事象情報の見える化ができる	
 ○  異種メディアのネットワーク比較ができる.	
 ○  比較事例において,いくつかの有用な知見にたどり着くこと
 ができた.	
 	
✗本エージェントのできないこと	
 ×  知識(発見)獲得はユーザが目視で行う必要がある.	
 ×  ネットワークの重要箇所の特定ができない.	
 ×  デマなどの誤情報がネットワークに反映されてしまう危険
    がある.	

                                 52
今後の課題
<注力したい課題>	
• 知見獲得の期待できる可視化ツールの開発	
     –  重要箇所の推定	
      • ネットワーク指標 (次数・近接・媒介中心性など…)	
      • 頻度情報 (tf-idf)	
     –  効果的な可視化の実現	

•  同じ概念をまとめる(シソーラスなどを使う)	
	

•  抽出精度の改善	
	

•  ラベル付けコストの改善	
     – 半教師あり学習の導入など	
	
                                    53
Jaws2012 koshikawa
ネットワークを通しての考察
1.    話題の多様性	
2.    少数意見に関して	
3.    2種のオスプレイの存在	
4.    偏在性に関して (future work)	




                                55
考察例2:	
  少数意見に関して	




ソーシャルメディアでは,マスメディアには皆無だった情報	
「オスプレイ賛成派」 の意見がネットワークに反映された.	
   	
  	
(少数派意見へのアクセスが容易)	
                                 56

More Related Content

What's hot

【2016.02】cvpaper.challenge2016
【2016.02】cvpaper.challenge2016【2016.02】cvpaper.challenge2016
【2016.02】cvpaper.challenge2016cvpaper. challenge
 
FEPチュートリアル2021 講義3 「潜在変数が連続値、生成モデルが正規分布の場合」の改良版
FEPチュートリアル2021 講義3 「潜在変数が連続値、生成モデルが正規分布の場合」の改良版FEPチュートリアル2021 講義3 「潜在変数が連続値、生成モデルが正規分布の場合」の改良版
FEPチュートリアル2021 講義3 「潜在変数が連続値、生成モデルが正規分布の場合」の改良版Masatoshi Yoshida
 
【2016.05】cvpaper.challenge2016
【2016.05】cvpaper.challenge2016【2016.05】cvpaper.challenge2016
【2016.05】cvpaper.challenge2016cvpaper. challenge
 
自由エネルギー原理から エナクティヴィズムへ
自由エネルギー原理から エナクティヴィズムへ自由エネルギー原理から エナクティヴィズムへ
自由エネルギー原理から エナクティヴィズムへMasatoshi Yoshida
 
Multi-agent Inverse reinforcement learning: 相互作用する行動主体の報酬推定
Multi-agent Inverse reinforcement learning: 相互作用する行動主体の報酬推定Multi-agent Inverse reinforcement learning: 相互作用する行動主体の報酬推定
Multi-agent Inverse reinforcement learning: 相互作用する行動主体の報酬推定Keiichi Namikoshi
 
画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱いSeiji Hotta
 
cvpaper.challenge@CVPR2015(Dataset)
cvpaper.challenge@CVPR2015(Dataset)cvpaper.challenge@CVPR2015(Dataset)
cvpaper.challenge@CVPR2015(Dataset)cvpaper. challenge
 
深層学習 第4章 大規模深層学習の実現技術
深層学習 第4章 大規模深層学習の実現技術深層学習 第4章 大規模深層学習の実現技術
深層学習 第4章 大規模深層学習の実現技術孝昌 田中
 

What's hot (11)

MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019
 
【2016.02】cvpaper.challenge2016
【2016.02】cvpaper.challenge2016【2016.02】cvpaper.challenge2016
【2016.02】cvpaper.challenge2016
 
FEPチュートリアル2021 講義3 「潜在変数が連続値、生成モデルが正規分布の場合」の改良版
FEPチュートリアル2021 講義3 「潜在変数が連続値、生成モデルが正規分布の場合」の改良版FEPチュートリアル2021 講義3 「潜在変数が連続値、生成モデルが正規分布の場合」の改良版
FEPチュートリアル2021 講義3 「潜在変数が連続値、生成モデルが正規分布の場合」の改良版
 
【2016.05】cvpaper.challenge2016
【2016.05】cvpaper.challenge2016【2016.05】cvpaper.challenge2016
【2016.05】cvpaper.challenge2016
 
自由エネルギー原理から エナクティヴィズムへ
自由エネルギー原理から エナクティヴィズムへ自由エネルギー原理から エナクティヴィズムへ
自由エネルギー原理から エナクティヴィズムへ
 
Multi-agent Inverse reinforcement learning: 相互作用する行動主体の報酬推定
Multi-agent Inverse reinforcement learning: 相互作用する行動主体の報酬推定Multi-agent Inverse reinforcement learning: 相互作用する行動主体の報酬推定
Multi-agent Inverse reinforcement learning: 相互作用する行動主体の報酬推定
 
画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い
 
cvpaper.challenge@CVPR2015(Dataset)
cvpaper.challenge@CVPR2015(Dataset)cvpaper.challenge@CVPR2015(Dataset)
cvpaper.challenge@CVPR2015(Dataset)
 
MIRU2018 tutorial
MIRU2018 tutorialMIRU2018 tutorial
MIRU2018 tutorial
 
IEEE ITSS Nagoya Chapter
IEEE ITSS Nagoya ChapterIEEE ITSS Nagoya Chapter
IEEE ITSS Nagoya Chapter
 
深層学習 第4章 大規模深層学習の実現技術
深層学習 第4章 大規模深層学習の実現技術深層学習 第4章 大規模深層学習の実現技術
深層学習 第4章 大規模深層学習の実現技術
 

Viewers also liked

集合知プログラミング 第6章 ドキュメントとフィルタリング~draft
集合知プログラミング 第6章 ドキュメントとフィルタリング~draft集合知プログラミング 第6章 ドキュメントとフィルタリング~draft
集合知プログラミング 第6章 ドキュメントとフィルタリング~draftKenji Koshikawa
 
[International Asian LOD Challenge Day 2012]LOD generation of Social and Mass...
[International Asian LOD Challenge Day 2012]LOD generation of Social and Mass...[International Asian LOD Challenge Day 2012]LOD generation of Social and Mass...
[International Asian LOD Challenge Day 2012]LOD generation of Social and Mass...Kenji Koshikawa
 
[WWW Conference 2011]Information Credibility on Twitter
[WWW Conference 2011]Information Credibility on Twitter[WWW Conference 2011]Information Credibility on Twitter
[WWW Conference 2011]Information Credibility on TwitterKenji Koshikawa
 
A Sentiment-Based Approach to Twitter User Recommendation
A Sentiment-Based Approach to Twitter User RecommendationA Sentiment-Based Approach to Twitter User Recommendation
A Sentiment-Based Approach to Twitter User RecommendationDavide Feltoni Gurini
 
Topic and Opinion Classification based Information Credibility Analysis on Tw...
Topic and Opinion Classification based Information Credibility Analysis on Tw...Topic and Opinion Classification based Information Credibility Analysis on Tw...
Topic and Opinion Classification based Information Credibility Analysis on Tw...Yukino Ikegami
 

Viewers also liked (7)

20130120
2013012020130120
20130120
 
集合知プログラミング 第6章 ドキュメントとフィルタリング~draft
集合知プログラミング 第6章 ドキュメントとフィルタリング~draft集合知プログラミング 第6章 ドキュメントとフィルタリング~draft
集合知プログラミング 第6章 ドキュメントとフィルタリング~draft
 
[International Asian LOD Challenge Day 2012]LOD generation of Social and Mass...
[International Asian LOD Challenge Day 2012]LOD generation of Social and Mass...[International Asian LOD Challenge Day 2012]LOD generation of Social and Mass...
[International Asian LOD Challenge Day 2012]LOD generation of Social and Mass...
 
[WWW Conference 2011]Information Credibility on Twitter
[WWW Conference 2011]Information Credibility on Twitter[WWW Conference 2011]Information Credibility on Twitter
[WWW Conference 2011]Information Credibility on Twitter
 
A Sentiment-Based Approach to Twitter User Recommendation
A Sentiment-Based Approach to Twitter User RecommendationA Sentiment-Based Approach to Twitter User Recommendation
A Sentiment-Based Approach to Twitter User Recommendation
 
Topic and Opinion Classification based Information Credibility Analysis on Tw...
Topic and Opinion Classification based Information Credibility Analysis on Tw...Topic and Opinion Classification based Information Credibility Analysis on Tw...
Topic and Opinion Classification based Information Credibility Analysis on Tw...
 
Sna book chapter_5
Sna book chapter_5Sna book chapter_5
Sna book chapter_5
 

Similar to Jaws2012 koshikawa

Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Preferred Networks
 
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォームJubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォームPreferred Networks
 
MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習Preferred Networks
 
大規模画像認識とその周辺
大規模画像認識とその周辺大規模画像認識とその周辺
大規模画像認識とその周辺n_hidekey
 
情報システム障害解析のための知識グラフ構築の試み / Constructing a knowledge graph for information sys...
情報システム障害解析のための知識グラフ構築の試み / Constructing a knowledge graph for information sys...情報システム障害解析のための知識グラフ構築の試み / Constructing a knowledge graph for information sys...
情報システム障害解析のための知識グラフ構築の試み / Constructing a knowledge graph for information sys...Shinji Takao
 
Deep Learningと画像認識   ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識   ~歴史・理論・実践~nlab_utokyo
 
Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤Shohei Hido
 
オープンなデータベースを利用した行動計画提案に関する研究
オープンなデータベースを利用した行動計画提案に関する研究オープンなデータベースを利用した行動計画提案に関する研究
オープンなデータベースを利用した行動計画提案に関する研究Fumihiro Kato
 
20120623 cv勉強会 shirasy
20120623 cv勉強会 shirasy20120623 cv勉強会 shirasy
20120623 cv勉強会 shirasyYoichi Shirasawa
 
画像処理分野における研究事例紹介
画像処理分野における研究事例紹介画像処理分野における研究事例紹介
画像処理分野における研究事例紹介nlab_utokyo
 
RWC2012(松江市&テクノプロジェクト)
RWC2012(松江市&テクノプロジェクト)RWC2012(松江市&テクノプロジェクト)
RWC2012(松江市&テクノプロジェクト)Techno Project Co., Ltd.
 
Big data解析ビジネス
Big data解析ビジネスBig data解析ビジネス
Big data解析ビジネスMie Mori
 
You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話
You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話
You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話Yusuke Uchida
 
perfを使ったPostgreSQLの解析(前編)
perfを使ったPostgreSQLの解析(前編)perfを使ったPostgreSQLの解析(前編)
perfを使ったPostgreSQLの解析(前編)Daichi Egawa
 
次世代型情報取得システムの構築技法 ~ CRUSE開発を通じて
次世代型情報取得システムの構築技法 ~ CRUSE開発を通じて次世代型情報取得システムの構築技法 ~ CRUSE開発を通じて
次世代型情報取得システムの構築技法 ~ CRUSE開発を通じてguest3b480e68
 
情報セキュリティ「見せる化」勉強会:金岡資料
情報セキュリティ「見せる化」勉強会:金岡資料情報セキュリティ「見せる化」勉強会:金岡資料
情報セキュリティ「見せる化」勉強会:金岡資料Akira Kanaoka
 

Similar to Jaws2012 koshikawa (20)

Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
 
CNTK deep dive
CNTK deep diveCNTK deep dive
CNTK deep dive
 
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォームJubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
 
Hadoopカンファレンス2013
Hadoopカンファレンス2013Hadoopカンファレンス2013
Hadoopカンファレンス2013
 
MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習
 
大規模画像認識とその周辺
大規模画像認識とその周辺大規模画像認識とその周辺
大規模画像認識とその周辺
 
情報システム障害解析のための知識グラフ構築の試み / Constructing a knowledge graph for information sys...
情報システム障害解析のための知識グラフ構築の試み / Constructing a knowledge graph for information sys...情報システム障害解析のための知識グラフ構築の試み / Constructing a knowledge graph for information sys...
情報システム障害解析のための知識グラフ構築の試み / Constructing a knowledge graph for information sys...
 
Deep Learningと画像認識   ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識   ~歴史・理論・実践~
 
Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤
 
オープンなデータベースを利用した行動計画提案に関する研究
オープンなデータベースを利用した行動計画提案に関する研究オープンなデータベースを利用した行動計画提案に関する研究
オープンなデータベースを利用した行動計画提案に関する研究
 
20120623 cv勉強会 shirasy
20120623 cv勉強会 shirasy20120623 cv勉強会 shirasy
20120623 cv勉強会 shirasy
 
画像処理分野における研究事例紹介
画像処理分野における研究事例紹介画像処理分野における研究事例紹介
画像処理分野における研究事例紹介
 
RWC2012(松江市&テクノプロジェクト)
RWC2012(松江市&テクノプロジェクト)RWC2012(松江市&テクノプロジェクト)
RWC2012(松江市&テクノプロジェクト)
 
Word2Vecによる次元圧縮と重回帰分析型協調フィルタリングへの応用
Word2Vecによる次元圧縮と重回帰分析型協調フィルタリングへの応用Word2Vecによる次元圧縮と重回帰分析型協調フィルタリングへの応用
Word2Vecによる次元圧縮と重回帰分析型協調フィルタリングへの応用
 
Overview and Roadmap
Overview and RoadmapOverview and Roadmap
Overview and Roadmap
 
Big data解析ビジネス
Big data解析ビジネスBig data解析ビジネス
Big data解析ビジネス
 
You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話
You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話
You Only Look One-level Featureの解説と見せかけた物体検出のよもやま話
 
perfを使ったPostgreSQLの解析(前編)
perfを使ったPostgreSQLの解析(前編)perfを使ったPostgreSQLの解析(前編)
perfを使ったPostgreSQLの解析(前編)
 
次世代型情報取得システムの構築技法 ~ CRUSE開発を通じて
次世代型情報取得システムの構築技法 ~ CRUSE開発を通じて次世代型情報取得システムの構築技法 ~ CRUSE開発を通じて
次世代型情報取得システムの構築技法 ~ CRUSE開発を通じて
 
情報セキュリティ「見せる化」勉強会:金岡資料
情報セキュリティ「見せる化」勉強会:金岡資料情報セキュリティ「見せる化」勉強会:金岡資料
情報セキュリティ「見せる化」勉強会:金岡資料
 

Jaws2012 koshikawa