![9
(Morioka, Kanemura, et al., NeuroImage, 2015)
C Topoplots and time courses of spatial bases
?4 ?2 0 2 4 6
?100
?50
0
50
100
150
?4 ?2 0 2 4 6
?20
0
20
40
60
80
?4 ?2 0 2 4 6
?20
0
20
40
?4 ?2 0 2 4 6
?20
0
20
40
60
Time [s]
6 8
1 1.2
ed
L
Attend left
Attend right
(i)
(ii)
(iii)
(iv)
Response(%)
173H. Morioka et al. / NeuroImage 111 (2015) 167–178](https://image.slidesharecdn.com/mf-151127121311-lva1-app6891/85/-9-320.jpg)
![データを?列として表現
?? 番??????のデータ点
?? 縦に積み重ねて?列にする
?? 例
–? ?書であれば単語頻度（i が?書、j が単語）
–? 買い物であれば購買履歴（i がユーザ、j が商品）
12
ui = [ui1, ui2, . . . , uiJ ] 2 RJ
i (1 ? i ? I)
U =
2
6
6
6
4
— u1 —
— u2 —
...
— uI —
3
7
7
7
5
2 RI?J](https://image.slidesharecdn.com/mf-151127121311-lva1-app6891/85/-12-320.jpg)
![?ごとに?る
?? 1つのデータ点??が、
成分ベクトル（トピック）? の重み付け和
で表現
?? ? に対する重みは
14
ui
hk
ui wi = [wi1, wi2, . . . , wiK]
8
>>>><
>>>>:
u1 = w11h1 + w12h2 + · · · + w1KhK
u2 = w21h1 + w22h2 + · · · + w2KhK
...
uI = wI1h1 + wI2h2 + · · · + wIKhK](https://image.slidesharecdn.com/mf-151127121311-lva1-app6891/85/-14-320.jpg)
![?? ??：?負?列? 、トピック数
?? 出?：?負?列
1.? 初期値を適当に設定
–? 乱数、PCAやICAの結果。ただし?負性に注意。
2.? 乗法的更新ルール
–? 最??乗誤差が増加しないことが証明済み
–? Cf. ポアソン分布のEMアルゴリズム、Richardson-Lucy
アルゴリズム
どうやって推定？
17
U K
W , H
、時間経過
ている [1]～
や α 係数推
性を有する
とする。項
ータ（二値
ij a2
ij すなわち自乗誤差である（KL 擬距離を用いることもで
きる）。最適化の手続きは次の式の反復計算で与えられる [5]。
hkj ← hkj
[W T
U]kj
[W TW H]kj
,
wik ← wik
[UHT
]ik
[W HHT]ik
.
(8)
これは乗法的な更新則なので、初期値が非負であれば更新後も
必ず非負となる。
2. 2 欠測のもとでの非負行列分解
正×正＝正なので
更新前後で
?負性が保たれる
(Lee & Seung, 2000)](https://image.slidesharecdn.com/mf-151127121311-lva1-app6891/85/-17-320.jpg)
![謝辞と学会発表
?? ?成弘?、?内学、橋本将崇
（株式会社リクルートキャリア）
–? CODE.SCOREチーム：h]ps://codescore.jp/
?? ?穂昭太郎（産総研）
?? 情報論的学習理論ワークショップ（IBIS）@つく
ばで発表予定（2015-11-27）
?? 兼村、?成、?内、橋本、?穂「能?テスト得
点の?負?列分解」信学技報IBISML、115(323):
203–208、2015
26](https://image.slidesharecdn.com/mf-151127121311-lva1-app6891/85/-26-320.jpg)
![ElasticsearchでSPLADEする [Search Engineering Tech Talk 2025 Winter]](https://cdn.slidesharecdn.com/ss_thumbnails/searchtech-250228102455-ddc5ce09-thumbnail.jpg?width=560&fit=bounds)
More Related Content
Recently uploaded (13)
Featured (20)
データに隠れた構造を推定して予測に活かす ?行列分解とそのテストスコアデータへの応用?
- 2. Who are you? ?? atsu-kan@aist.go.jp –? 酒は飲みません ?? ヒトから得られたデータの解析、ヒトの情報処 理に興味があります ?? 研究者（Scien;st? ?学者 = Engineerのつもり） ?? タニマチ：産総研 –? 国?研究開発法? 産業技術総合研究所 ?間情報部? 情報数理グループ （兼 ??知能センター 機械学習チーム） ?? 株式会社リクルートキャリアと共同研究実施中 2
- 3. 3
- 4. ?列分解 ?? ある?列?????を、 と2つの?列???????????の積に分解 ?? 因?分解、因?化とも?う ?? 因数分解のようなもの ?? 因?分解も因数分解も両?とも factoriza;on 4 U = W H W 2 RI?K , H 2 RK?J 10 = 5 · 2 20151121 = 674 U 2 RI?J
- 5. 隠れた構造の推定 ?? トピックモデル、独?成分分析（ICA）、スパー ス辞書学習、etc. ?? データの構成にどんな成分がどれだけ?ってい るかを推定し、可視化する。 –? テスト回答、?書、購買履歴、脳活動、etc. 5
- 6. 6 78 COMMUNICATIONS OF THE ACM | APRIL 2012 | VOL. 55 | NO. 4 genetics, such as “sequenced” and ics are generated ?rst, before the documents. different topics. Why latent? Keep reading. Figure 1. The intuitions behind latent Dirichlet allocation. We assume that some number of “topics,” which are distributions over words, exist for the whole collection (far left). Each document is assumed to be generated as follows. First choose a distribution over the topics (the histogram at right); then, for each word, choose a topic assignment (the colored coins) and choose the word from the corresponding topic. The?topics and topic assignments in this ?gure are illustrative—they are not ?t from real data. See Figure 2 for topics ?t from data. . , , . , , . . . gene dna genetic life evolve organism brain neuron nerve data number computer . , , Topics Documents Topic proportions and assignments 0.04 0.02 0.01 0.04 0.02 0.01 0.02 0.01 0.01 0.02 0.02 0.01 data number computer . , , 0.02 0.02 0.01 (Blei, CACM, 2012)
- 7. 7 (Blei, CACM, 2012) review articles evolutionary biology, and each word is drawn from one of those three top- ics. Notice that the next article in the collection might be about data analysis and neuroscience; its distri- bution over topics would place prob- ability on those two topics. This is the distinguishing characteristic of algorithm assumed that there were 100 topics.) We then computed the inferred topic distribution for the example article (Figure 2, left), the distribution over topics that best describes its par- ticular collection of words. Notice that this topic distribution, though it can use any of the topics, has only “acti- about subjects like genetics and data analysis are replaced by topics about discrimination and contract law. The utility of topic models stems from the property that the inferred hid- den structure resembles the thematic structure of the collection. This inter- pretable hidden structure annotates Figure 2. Real inference with LDA. We ?t a 100-topic LDA model to 17,000 articles from the journal Science. At left are the inferred topic proportions for the example article in Figure 1. At right are the top 15 most frequent words from the most frequent topics found in this article. “Genetics” human genome dna genetic genes sequence gene molecular sequencing map information genetics mapping project sequences life two “Evolution” evolution evolutionary species organisms origin biology groups phylogenetic living diversity group new common “Disease” disease host bacteria diseases resistance bacterial new strains control infectious malaria parasite parasites united tuberculosis “Computers” computer models information data computers system network systems model parallel methods networks software new simulations 1 8 16 26 36 46 56 66 76 86 96 Topics Probability 0.00.10.20.30.4
- 8. 8 (Barnard et al., JMLR, 2003)
- 9. 9 (Morioka, Kanemura, et al., NeuroImage, 2015) C Topoplots and time courses of spatial bases ?4 ?2 0 2 4 6 ?100 ?50 0 50 100 150 ?4 ?2 0 2 4 6 ?20 0 20 40 60 80 ?4 ?2 0 2 4 6 ?20 0 20 40 ?4 ?2 0 2 4 6 ?20 0 20 40 60 Time [s] 6 8 1 1.2 ed L Attend left Attend right (i) (ii) (iii) (iv) Response(%) 173H. Morioka et al. / NeuroImage 111 (2015) 167–178
- 10. 予測に活かす ?? データの構成がわかると様々な使い道がある ?? ベイジアンスパムフィルタ –? メールのデータセットを解析、スパムトピック成分 を多く含むか否かで分類 → 時間を救う、ウィルス などから守る ?? 広告、リコメンデーション（推薦） –? 購買履歴データセットを解析、この?はこの商品を 買いそうかどうか → 売り上げ ?? 脳活動解析 –? 脳のどこがいつ活動しているか、その時間プロファ イルは → 医療、リハビリ、神経科学 10
- 12. データを?列として表現 ?? 番??????のデータ点 ?? 縦に積み重ねて?列にする ?? 例 –? ?書であれば単語頻度（i が?書、j が単語） –? 買い物であれば購買履歴（i がユーザ、j が商品） 12 ui = [ui1, ui2, . . . , uiJ ] 2 RJ i (1 ? i ? I) U = 2 6 6 6 4 — u1 — — u2 — ... — uI — 3 7 7 7 5 2 RI?J
- 13. データを成分に分解 13 ?? 2つの?列???????????を使って表現 –? K はトピック数 U = W H W 2 RI?K , H 2 RK?J 2 6 6 6 4 — u1 — — u2 — ... — uI — 3 7 7 7 5 = 2 6 6 6 6 6 6 6 4 – w1 – – w2 – ... – wI – 3 7 7 7 7 7 7 7 5 2 6 6 6 4 — h1 — — h2 — ... — hK — 3 7 7 7 5 wi 2 RK (1 ? i ? I) hk 2 RI (1 ? k ? K)
- 14. ?ごとに?る ?? 1つのデータ点??が、 成分ベクトル（トピック）? の重み付け和 で表現 ?? ? に対する重みは 14 ui hk ui wi = [wi1, wi2, . . . , wiK] 8 >>>>< >>>>: u1 = w11h1 + w12h2 + · · · + w1KhK u2 = w21h1 + w22h2 + · · · + w2KhK ... uI = wI1h1 + wI2h2 + · · · + wIKhK
- 15. ?負?列分解 ?? ???の各要素を?負に制約する ?? 部分ごとの表現が得られる ?? 「部分ごとの表現」？ –? ?部の要素にのみ値を持ち、ほかは全部ゼロ 15 W , H wik, hkj 0 for all i, k, j
- 16. 16 VQ × = NMF =× Original Figure 1 Non-n faces, whereas holistic represe m ? 2;429 fac n ? m matrix V three different t and methods. A r ? 49 basis im with red pixels. represented by superposition a superpositions a learns to repres VQ × = PCA =× superposition a superpositions learns to repres ? 負 ? 列 分 解 主 成 分 分 析 (Lee & Seung, 1999) H W u
- 17. ?? ??：?負?列? 、トピック数 ?? 出?：?負?列 1.? 初期値を適当に設定 –? 乱数、PCAやICAの結果。ただし?負性に注意。 2.? 乗法的更新ルール –? 最??乗誤差が増加しないことが証明済み –? Cf. ポアソン分布のEMアルゴリズム、Richardson-Lucy アルゴリズム どうやって推定？ 17 U K W , H 、時間経過 ている [1]～ や α 係数推 性を有する とする。項 ータ（二値 ij a2 ij すなわち自乗誤差である（KL 擬距離を用いることもで きる）。最適化の手続きは次の式の反復計算で与えられる [5]。 hkj ← hkj [W T U]kj [W TW H]kj , wik ← wik [UHT ]ik [W HHT]ik . (8) これは乗法的な更新則なので、初期値が非負であれば更新後も 必ず非負となる。 2. 2 欠測のもとでの非負行列分解 正×正＝正なので 更新前後で ?負性が保たれる (Lee & Seung, 2000)
- 19. 応答パタンの?負?列分解 ?? 項?応答パタンを、次の2要素に分解する –? トピック＝潜在スキルセット（全員に共通） –? その重み（個?ごと） 19 0 1 ... 1 0 ... 1 1 ... ... ... ... 2.4 1.9 1.30 1.21 4.3 1.5 1.8 1.20 1.2 3.3 5.4 5.10 1.31 2.3 1.6 3.2 1.32 5.7 2.1 1.25 2.7 5.2 1.17 1.4 5.5 1.26 1.29 1.24 1.3 1.7 1.23 1.28 1.19 1.11 5.6 2.2 2.6 1.22 1.13 1.15 1.18 1.27 1.10 1.12 5.9 1.16 5.1 4.4 5.8 4.2 4.1 4.6 1.14 2.5 3.1 4.5 5.3 1.1 5 4 3 2 1 basis 1 2 3 4 5 0 0.2 0.4 0.6 0.8 1 Mixture coefficients 1 2 3 4 5 46 65 306 144 110 55 191 116 244 154 299 12 153 167 48 312 194 205 159 283 293 23 138 248 212 120 42 94 64 289 222 152 260 95 124 164 143 300 288 134 30 252 257 115 256 251 282 235 172 128 118 113 170 103 279 214 37 40 291 307 301 162 82 142 90 58 89 43 195 135 305 241 41 268 108 79 28 190 275 266 207 151 262 182 259 166 228 188 163 285 186 49 105 51 218 247 231 78 67 302 273 5 93 88 119 127 276 91 220 206 184 242 107 224 27 98 74 20 310 21 165 290 81 114 136 211 131 208 296 86 308 174 292 216 92 284 137 44 18 75 246 200 4 263 189 33 304 197 8 177 234 17 187 238 225 96 80 121 274 278 132 264 145 203 215 66 298 313 52 14 139 255 126 161 150 84 36 16 294 232 70 69 140 85 181 122 6 63 77 109 156 1 265 287 72 243 185 130 175 149 250 179 183 106 158 254 272 311 133 97 83 160 303 47 13 9 146 219 249 233 202 123 87 39 15 199 217 201 226 148 213 258 111 73 245 50 267 198 35 240 53 10 176 171 61 270 60 169 3 229 101 24 280 117 173 57 269 157 141 261 32 193 102 19 236 147 277 297 11 45 309 180 68 76 168 125 54 31 230 34 295 286 62 253 227 104 204 239 22 178 221 271 29 112 2 59 281 99 209 25 26 71 237 192 129 38 223 100 196 56 7 155 210 basis 1 2 3 4 5 0 0.2 0.4 0.6 0.8 Basis components 313 x 58 313 x 5 5 x 58 = ?
- 21. 21 1 2 3 4 5 46 65 306 144 110 55 191 116 244 154 299 12 153 167 48 312 194 205 159 283 293 23 138 248 212 120 42 94 64 289 222 152 260 95 124 164 143 300 288 134 30 252 257 115 256 251 282 235 172 128 118 113 170 103 279 214 37 40 291 307 301 162 82 142 90 58 89 43 195 135 305 241 41 268 108 79 28 190 275 266 207 151 262 182 259 166 228 188 163 285 186 49 105 51 218 247 231 78 67 302 273 5 93 88 119 127 276 91 220 206 184 242 107 224 27 98 74 20 310 21 165 290 81 114 136 211 131 208 296 86 308 174 292 216 92 284 137 44 18 75 246 200 4 263 189 33 304 197 8 177 234 17 187 238 225 96 80 121 274 278 132 264 145 203 215 66 298 313 52 14 139 255 126 161 150 84 36 16 294 232 70 69 140 85 181 122 6 63 77 109 156 1 265 287 72 243 185 130 175 149 250 179 183 106 158 254 272 311 133 97 83 160 303 47 13 9 146 219 249 233 202 123 87 39 15 199 217 201 226 148 213 258 111 73 245 50 267 198 35 240 53 10 176 171 61 270 60 169 3 229 101 24 280 117 173 57 269 157 141 261 32 193 102 19 236 147 277 297 11 45 309 180 68 76 168 125 54 31 230 34 295 286 62 253 227 104 204 239 22 178 221 271 29 112 2 59 281 99 209 25 26 71 237 192 129 38 223 100 196 56 7 155 210 basis 1 2 3 4 5 0 0.2 0.4 0.6 0.8 Basis components
- 22. スキル計測における御利益 ?? ?測推定 –? まだ答えていない項?に対する正誤が予測できる –? ? の要素に?測をゆるす形でアルゴリズムを拡張 ?? 適応出題 –? スキルセットの推定を加味して、次の2つを弁別 ?? ほとんど間違いなく正解/誤答するであろう項? ?? 正解?不正解が事前にはっきりと分かる項? –? 後者から出題してゆく 22 U (Zhang, SDM, 2006)
- 23. 推定の例 23 観測 40/58 真のスコア44 推定スコア39 0.0 0.5 1.0 1 10 20 30 40 50 58 Item Response Type Estimated True 0.0 0.5 1.0 1 10 20 30 40 50 58 Item Response Type Estimated True
- 24. 0 10 20 30 0 20 40 60 Number of observed responses RMSEinscoreestimation ?測推定＆適応出題の精度 24 58
- 25. プログラマのためのパッケージ案内 ?? ?前実装はおすすめしません ?? R –? パッケージ nmf –? ただし?測値には?対応 ?? Python –? scikit.learn: sklearn.decomposiiton.NMF() ?? Matlab –? Sta;s;cs and Machine Learning Toolbox: nnmf() ?? ?負でない?列分解、トピックモデル推定 （LDA）などのパッケージも多数 25
- 26. 謝辞と学会発表 ?? ?成弘?、?内学、橋本将崇 （株式会社リクルートキャリア） –? CODE.SCOREチーム：h]ps://codescore.jp/ ?? ?穂昭太郎（産総研） ?? 情報論的学習理論ワークショップ（IBIS）@つく ばで発表予定（2015-11-27） ?? 兼村、?成、?内、橋本、?穂「能?テスト得 点の?負?列分解」信学技報IBISML、115(323): 203–208、2015 26
- 27. 参考?献 ?? Strang, Introduc-on to Linear Algebra, Wellesley-Cambridge Press, 2009. –? ストラング『線形代数イントロダクション』近代科学社、2015。 ?? Lee & Seung, “Learning the parts of objects by non-nega;ve matrix factoriza;on,” Nature, 1999. ?? Lee & Seung, “Algorithms for non-nega;ve matrix factoriza;on,” Adv. Neural Inf. Process. Syst. (NIPS), 2000. ?? Morioka, Kanemura, et al., “Learning a common dic;onary for subject- transfer decoding with res;ng calibra;on,” NeuroImage, 2015. ?? Blei, “Probabilis;c topic models,” Commun. ACM, 2012. ?? Barnard et al., “Matching words and pictures,” J. Mach. Learn. Res., 2003. ?? Zhang et al., “Learning from incomplete ra;ngs using non-nega;ve matrix factoriza;on,” SIAM Conf. Data Mining (SDM), 2006. 27