Submit Search
Upload
Prml12-2
•
3 likes
•
2,050 views
Tsukasa Fukunaga
Follow
Technology
Report
Share
Report
Share
1 of 24
Recommended
PRML輪読#5
PRML輪読#5
matsuolab
PRML輪読#14
PRML輪読#14
matsuolab
PRML輪読#7
PRML輪読#7
matsuolab
2014.02.20_5章ニューラルネットワーク
2014.02.20_5章ニューラルネットワーク
Takeshi Sakaki
PRML輪読#3
PRML輪読#3
matsuolab
PRML輪読#8
PRML輪読#8
matsuolab
研究紹介(学生向け)
研究紹介(学生向け)
Joe Suzuki
Prml 3 3.3
Prml 3 3.3
Arata Honda
Recommended
PRML輪読#5
PRML輪読#5
matsuolab
PRML輪読#14
PRML輪読#14
matsuolab
PRML輪読#7
PRML輪読#7
matsuolab
2014.02.20_5章ニューラルネットワーク
2014.02.20_5章ニューラルネットワーク
Takeshi Sakaki
PRML輪読#3
PRML輪読#3
matsuolab
PRML輪読#8
PRML輪読#8
matsuolab
研究紹介(学生向け)
研究紹介(学生向け)
Joe Suzuki
Prml 3 3.3
Prml 3 3.3
Arata Honda
【招待講演】パラメータ制約付き行列分解のベイズ汎化誤差解析【StatsML若手シンポ2020】
【招待講演】パラメータ制約付き行列分解のベイズ汎化誤差解析【StatsML若手シンポ2020】
Naoki Hayashi
PRML輪読#12
PRML輪読#12
matsuolab
機械学習の全般について
機械学習の全般について
Masato Nakai
PRML第3章@京大PRML輪講
PRML第3章@京大PRML輪講
Sotetsu KOYAMADA(小山田創哲)
第三回統計学勉強会@東大駒場
第三回統計学勉強会@東大駒場
Daisuke Yoneoka
Deep learning勉強会20121214ochi
Deep learning勉強会20121214ochi
Ohsawa Goodfellow
Rck; accurate and efficient inference of sequence and structure-based protei...
Rck; accurate and efficient inference of sequence and structure-based protei...
Tsukasa Fukunaga
A survery of topic model in bioinformatics
A survery of topic model in bioinformatics
Tsukasa Fukunaga
形状解析のための楕円フーリエ変換
形状解析のための楕円フーリエ変換
Tsukasa Fukunaga
Automated detection and tracking of many cells by using 4D live-cell imaging ...
Automated detection and tracking of many cells by using 4D live-cell imaging ...
Tsukasa Fukunaga
生物情報実験法(画像情報処理入門)
生物情報実験法(画像情報処理入門)
Tsukasa Fukunaga
全てをRでやらないと言う事
全てをRでやらないと言う事
Tsukasa Fukunaga
Rをはじめからていねいに
Rをはじめからていねいに
Tsukasa Fukunaga
Prml07
Prml07
Tsukasa Fukunaga
Rでプロット
Rでプロット
Tsukasa Fukunaga
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
More Related Content
Similar to Prml12-2
【招待講演】パラメータ制約付き行列分解のベイズ汎化誤差解析【StatsML若手シンポ2020】
【招待講演】パラメータ制約付き行列分解のベイズ汎化誤差解析【StatsML若手シンポ2020】
Naoki Hayashi
PRML輪読#12
PRML輪読#12
matsuolab
機械学習の全般について
機械学習の全般について
Masato Nakai
PRML第3章@京大PRML輪講
PRML第3章@京大PRML輪講
Sotetsu KOYAMADA(小山田創哲)
第三回統計学勉強会@東大駒場
第三回統計学勉強会@東大駒場
Daisuke Yoneoka
Deep learning勉強会20121214ochi
Deep learning勉強会20121214ochi
Ohsawa Goodfellow
Similar to Prml12-2
(6)
【招待講演】パラメータ制約付き行列分解のベイズ汎化誤差解析【StatsML若手シンポ2020】
【招待講演】パラメータ制約付き行列分解のベイズ汎化誤差解析【StatsML若手シンポ2020】
PRML輪読#12
PRML輪読#12
機械学習の全般について
機械学習の全般について
PRML第3章@京大PRML輪講
PRML第3章@京大PRML輪講
第三回統計学勉強会@東大駒場
第三回統計学勉強会@東大駒場
Deep learning勉強会20121214ochi
Deep learning勉強会20121214ochi
More from Tsukasa Fukunaga
Rck; accurate and efficient inference of sequence and structure-based protei...
Rck; accurate and efficient inference of sequence and structure-based protei...
Tsukasa Fukunaga
A survery of topic model in bioinformatics
A survery of topic model in bioinformatics
Tsukasa Fukunaga
形状解析のための楕円フーリエ変換
形状解析のための楕円フーリエ変換
Tsukasa Fukunaga
Automated detection and tracking of many cells by using 4D live-cell imaging ...
Automated detection and tracking of many cells by using 4D live-cell imaging ...
Tsukasa Fukunaga
生物情報実験法(画像情報処理入門)
生物情報実験法(画像情報処理入門)
Tsukasa Fukunaga
全てをRでやらないと言う事
全てをRでやらないと言う事
Tsukasa Fukunaga
Rをはじめからていねいに
Rをはじめからていねいに
Tsukasa Fukunaga
Prml07
Prml07
Tsukasa Fukunaga
Rでプロット
Rでプロット
Tsukasa Fukunaga
More from Tsukasa Fukunaga
(9)
Rck; accurate and efficient inference of sequence and structure-based protei...
Rck; accurate and efficient inference of sequence and structure-based protei...
A survery of topic model in bioinformatics
A survery of topic model in bioinformatics
形状解析のための楕円フーリエ変換
形状解析のための楕円フーリエ変換
Automated detection and tracking of many cells by using 4D live-cell imaging ...
Automated detection and tracking of many cells by using 4D live-cell imaging ...
生物情報実験法(画像情報処理入門)
生物情報実験法(画像情報処理入門)
全てをRでやらないと言う事
全てをRでやらないと言う事
Rをはじめからていねいに
Rをはじめからていねいに
Prml07
Prml07
Rでプロット
Rでプロット
Recently uploaded
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Ryo Sasaki
Recently uploaded
(9)
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Prml12-2
1.
PRML 第12章 連続潜在変数 後半 東京大学
大学院新領域創成科学研究科 情報生命科学専攻 博士一年 福永 津嵩
2.
前半の復習 • 主成分分析 – D次元の観測変数をM次元の空間に直行射影 する事 •
確率的主成分分析 – M次元の潜在変数を線形変換してD次元の観 測変数を生成するというモデル – 確率モデルを用いて定式化することで、EMア ルゴリズムを用いて解を求める事が出来る
3.
次元Mをどのように決めるか? • 可視化が目的 – M
= 2 • データ集合の固有値スペクトルをプロッ トし、境目を見いだす – よくわからない事も多い • クロスバリデーション – 計算時間が大変 • ベイズ的に取り扱う事で、モデル選択を 行うのが自然
4.
ベイズ的主成分分析 • Wの各列ベクトルに対して、独立なガウス 分布を事前分布として設定 • パラメーターを最適化していくと、いく つかの
は無限大となるため、 が0とな る – 次元が自動的に決定される – 関連度自動決定(第7章参照)
5.
パラメーターの推定 • 周辺尤度 • ラプラス近似(第4章)後に周辺尤度を最大 化 •
パラメーターをEMアルゴリズムで再推定 (Mステップのみ変化) • 反復
6.
因子分析と主成分分析 • 観測変数の出力分布の共分散行列を、等 方的でない対角行列にしたモデルを、因 子分析という • 主成分分析とは異なり、データの共分散 構造を考える事が出来る。 •
解は主成分分析とは異なり閉じた解では 求まらず、EMアルゴリズムを用いる必要 がある。(詳細は略)
7.
使い分け? • ネットで調べると出てくる「主成分分析 と因子分析の違い」は、独立因子の解釈 に重点を置いているため、数理的に多分 問題がある。 – 回転普遍性による識別不可能性 •
「潜在変数空間の形に興味がある」 – とは?
8.
カーネル主成分分析 • カーネル化する事で非線形性を取り扱う 事が出来る(第6章) • N×N行列の固有ベクトルを見いだす必要 がある→近似手法の開発 •
初めに、データ集合の平均が0であると仮 定してカーネル主成分分析を導く
9.
カーネル主成分分析の導出 Cをサンプル共分散行列とし、その固有ベク等展 開を以下のように表す Cを代入すると、 更に元の式に代入すると、
10.
規格化条件・主成分空間への射影 両辺にφをかけて 規格化条件は 主成分への射影は
11.
カーネル主成分分析の一般化 データ平均が0だとする仮定を取り除く 展開する事で、下の式を得る
12.
独立成分分析 非線形または非ガウス的であるモデルを扱 う。独立成分分析は、潜在変数の分布が独 立同時分布に分解されるモデルである。 観測変数は潜在変数の線形結合となる
13.
独立成分分析 • 潜在変数がガウス分布に従う時、独立因 子を見いだす事は出来ない – 潜在変数空間の回転が尤度関数に取って不変 なため •
よく使われる分布 • 潜在変数と観測変数が一致せず、ノイズ が含まれているとするモデル→独立因子 分析
14.
自己連想ニューラルネットワーク D個の入力ユニットと出力ユニットを持 ち、M個の隠れユニットを持つニューラル ネットワークを考える(第5章) 入力ベクトルと出力ベクトルを同じにする 事で、部分空間への写像と等しくなる
15.
自己連想ニューラルネットワーク 隠れユニットが一層であるとき、活性化 関数を非線形としても、非線形主成分分析 にはならない。非線形主成分分析を行うた めには、ユニットを多層化する必要があ る。
16.
混合確率主成分分析 • K-meansなどでクラスタリングし、デー タを局所的に分割した後に主成分分析、 因子分析 • 確率モデル化→混合確率主成分分析、混 合因子分析 •
変分推定によりベイズ的な取り扱いが可 能
17.
主成分曲線 • 主成分分析→二乗和誤差最小の線形部分 空間を見いだす • 主成分曲線→二乗和誤差最小の非線形曲 線を見いだす •
曲線は弧長をパラメーターとして採用す る • 多次元への拡張は難しい
18.
多次元尺度構成法 • 2個のデータ点間の距離を保存するよう に、距離行列の固有ベクトルを求め、射 影行列を見いだす • ユークリッド距離なら主成分分析と等し い •
可視化が目的として使われる • MDSと略される
19.
局所線形埋め込み • データの各点を、近傍の点の線形結合で 表現し、その係数を保ったまま低次元空 間に写像する。 • 各点間の関係性は保たれたまま写像され る。 •
LLE
20.
等長特徴写像 • 測地線距離を用いたMDS • Ex)
弦の長さではなく弧長 • 近傍点をつないだ近傍グラフを構成し、 最短経路に沿って弧長を求める
21.
潜在特性モデル • 潜在変数が連続で観測変数が離散である モデル • 潜在変数の周辺化は解析的に難しく洗練 された手法が必要らしい •
やはりデータ集合の可視化に用いられる
22.
密度ネットワーク • ニューラルネットワークを用いて、潜在 変数の分布を非線形に変換 • 尤度関数が求められない→サンプリング によるモンテカルロ積分を行い擬似的に 尤度を求める •
計算が大変
23.
自己組織化マップ(SOM) • 2次元の離散的な格子を考える、各点は 入力ベクトルと同次元のベクトルを持つ • 入力ベクトルが与えられると、その近傍 の点が学習を行う。 •
訓練が進むと、最初はランダムだった点 が、入力データに併せてクラスター化し ていく • 保証はない!
24.
生成的形成地図(GTM) • SOMをK-meansとすると、GTMは混合ガ ウスモデル(SOMの確率モデル化) • すみませんよくわかりません