第59回 データマイニング+WEB＠東京 ー深層学習 展開 祭りー を開催します
KOMIYA Atsushi
データマイニング+WEB＠東京 (TokyoWebmining)
運営事務局の小宮 (@komiya_atsushi) です。
8/5 (土) に「第59回 データマイニング+WEB＠東京」 を開催します。
今回は『深層学習 展開 祭り』です。
=======
AGENDA:
1.「画像を用いたファッションアイテム検索」(講師: @tn1031 )
(UST:公開、 資料:公開)
ファッションアイテムのための画像検索システムは、検索対象となる画像の多様性から複雑なものになりがちです。例えば、ECサイトの画像やユーザーが撮影した画像／置き撮り画像やモデル着用画像の間で同一判定する能力が要求されます。
本発表では、このような問題の解決策を最新の研究事例を交えながら紹介します。
参考文献：
Deep Learning based Large Scale Visual Recommendation and Search for E-Commerce
https://arxiv.org/abs/1703.02344Learning Unified Embedding for Apparel Recognition
https://arxiv.org/abs/1707.05929Fashion Landmark Detection in the Wild
https://arxiv.org/abs/1608.03049Convolutional Pose Machines
http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Wei_Convolutional_Pose_Machines_CVPR_2016_paper.pdf
-----
2.「深層学習とベイズ統計」(講師: @yutakashino )
(UST:公開、 資料:公開)
深層学習の力強い発展が続いています．深層学習は計算グラフをベースとする非線形モデルで，確率勾配法を利用することで大規模にスケールする識別学習や系列予測が可能です．しかし，統計学的にみるとモデルの学習とは点推定を行うことに他ならず，過学習を回避する困難さや，複数のモデルを比較することで人間にとって納得するモデルを選ぶことが難しいという欠点があります．一方で，ベイズ推定は，取り扱うモデルの変数を確率変数として保持し人間にとって意味のある確率モデル・統計モデルを構築します．ベイズ推定は確率変数のモデルで学習するので過学習に頑健性があり，複数モデルを比較可能であること（モデル選択可能）から納得感の高い意思決定が可能になります．
最近上記の深層学習とベイズ推定を融合させる動き，ベイジアン深層学習/確率的プログラミング，が大きくなっています．このプレゼンテーションではベイジアン深層学習/確率的プログラミングの潮流，基礎的知識，そして具体的なモデリング方法・計算手法を紹介することで，ベイジアン深層学習/確率的プログラミングの初歩を提示することができたら，と考えています．
参考文献：
Bayesian Deep Learning Workshop NIPS 2016
http://bayesiandeeplearning.org/
https://www.youtube.com/channel/UC_LBLWLfKk5rMKDOHoO7vPQedward
http://edwardlib.org/
=======
今回も発表時間と同等の議論時間をとり、双方向の進行を行います。
今回はいつもよりさらに深く議論できるよう、発表本数を絞り１トピックあたりの時間を増やしています。
みなさんぜひご参加下さい。みなでたっぷり議論しましょう。
---
■会場参加 募集：
詳細タイムテーブル確定し次第、詳細アナウンスします。
今回も登録ページ作成し、広く公平に先着順で募集を行います。
■会場参加枠 確保：
今回の第 59 回開催でも、
・第 56 回開催以降の連続開催での講師陣へ、会場参加の共通参加枠を用意します。
・今後の開催で講師日程が確定されている方へも、共通参加枠を用意します。
上記、講師枠での会場参加希望の方は、
7/26 (水) 18時までに、Twitter:@yanaoki @TokyoWebmining 宛に、ご連絡下さい。