![[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning](https://cdn.slidesharecdn.com/ss_thumbnails/20190119dljournalclubweb-190401063633-thumbnail.jpg?width=560&fit=bounds)
![[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments](https://cdn.slidesharecdn.com/ss_thumbnails/20200522matsudatefinal-200529045007-thumbnail.jpg?width=560&fit=bounds)
More Related Content
What's hot (20)
入門 異常検知 -これを読めば異常検知がわかる-
- 3. 内容 2 ? 異常ってなに？ ? 異常が検知できたら何が嬉しい？ ? どうやって異常を検知するの？ データの確率分布の学習方法と異常の定義 ? 異常検知の流れ?ホテリング? ? 法?
- 4. そもそも異常って何？ 3
- 8. 7 これが嬉しい！ 製造の現場 製品の欠陥を捉える ー＞ 早急な対処が可能に. ビジネスの現場 売上の変化を捉える ー＞ いち早く次の一手を打てる.
- 9. 8 実際の応用例 ? ネットワークへの侵入検知 ? クレジットカードの不正使用の検知 ? 疾病の流行の検知 ? 流行トピックの検出 とにかく色々な分野で使われている. 知って損はない！
- 10. どうやって異常を検知するの？ 9
- 13. 12 データの性質に応じた学習手法がある ? 標本は正規分布に従う？従わない？ ー＞ホテリング?2 法、ガウス過程回帰 ? 多変数あるときはどうすれば良い？ ー＞単純ベイズ法 ? 外れ値？変化点？ ー＞近傍法、部分空間法 とにかく手法はさまざま
- 14. 13 重要なポイント これらを考慮して手法を決定すべし！ ? データの性質は？ ? ラベルあり？なし？ ? どんな异常を検出したい？
- 16. 15 ラベルつきデータにおけるネイマン?ピアソン決定則 ? = { ? 1 , ? 1 , { ? 2 , ? 2 , ‥‥, ? ? , ? ? } ?次元ベクトル?と異常かどうかを示すラベル?（異常なら? = 1）について ?個の標本を含む訓練データが与えられたとする ネイマン?ピアソン決定則 ln ?(?′|?=1,?) ?(?′|?=0,?) が所定の閾値を超えたらy=1と判定 ?(?′ |? = ?, ?) ?(?′ |? = ?, ?) 異常時の分布 正常時の分布 ?’
- 17. 16 ラベルなしデータにおけるシャノン情報量 ? = {? 1 , ? 2 , ‥‥, ?(?) } ?次元ベクトル?について ?個の標本を含む訓練データが与えられたとする シャノン情報量 異常度?(?’)=?ln ? (?’|?) ?(?′ |? = ?, ?) 正常時の分布 ?’ 出現確率の高い観測値は異常度が低い.
- 18. 17 異常検知における２つの問題 1. データの確率分布をどう学習するか. ー＞データの性質によって手法が異なります！ 2. 異常の度合いをどう定義するか. ー＞異常の定義に当てはめればいいだけ！
- 20. まず、どんな時に使うの？ 19
- 21. 20 重要なポイント（再挙） これらを考慮して手法を決定すべし！ ? データの性質は？ ? ラベルあり？なし？ ? どんな异常を検出したい？
- 22. 21 ホテリングのT2法の場合 ? データの性質は？ ー＞ 各標本が独立に次の確率密度関数（正規分布）に従う. ? ラベルあり？なし？ ー＞ なくてOK ? どんな異常を検出したい ー＞ 外れ値の検出 ?(?|?, ∑) ≡ Σ ? 1 2 2 ? ? 2 ex p ? 1 2 ? ? ? ? Σ ?1 ? ? ?
- 24. 23 ホテリングのT2法による異常検知 各標本が独立に次の確率密度関数（正規分布）に従う. ?(?|?, ∑) ≡ Σ ? 1 2 2 ? ? 2 exp ? 1 2 ? ? ? ? Σ ?1 ? ? ? ?(観測値),?(次元)は既知のもの. ?(平均), ∑(共分散行列)が決まればデータの確率分布を学習できる.
- 25. パラメータμ,Σを決める 24
- 26. 25 パラメータを決める（最尤推定） ? 共分散行列Σ 、平均?をデータ?から決めるために最尤推定を行う ?の対数尤度 ? ?, Σ ? = ln ?=1 ? ? ?(n) ?, Σ = ?=1 ? ln ? ?(n) ?, Σ ? これを最大化するような?, Σがこの場合の最尤推定である ? = 1 ? ??1 ? ?(n) Σ ≡ 1 ? ?=1 ? ?(n) ? ? ?(n) ? ? ? 相加平均
- 27. 26 データ?を表現する確率密度関数が得られた！ ? ? ? = ? ? ?, Σ
- 28. 2.異常度を計算しよう 27
- 29. 28 ホテリングのT2法における異常度&異常判定 異常度 ? ?′ = (?′ ? ?)? Σ ?1 (?′ ? ?) ※観測値に関係のない定数を無視 観測値?′の異常度? ?′ > 設定した閾値? ?? のとき異常 ? 異常度の定義に当てはめる ? 異常判定 自分で決めることができます！
- 30. まとめ 29
- 32. 異常検知と変化検知 31 Chapter1 異常検知?変化検知の基本的な考え方 Chapter2 ホテリングのT2法による異常検知 Chapter3 単純ベイス法による異常検知 Chapter4 近傍法による異常検知 Chapter5 混合分布モデルによる遂次更新型異常検知 Chapter6 サポートベクトルデータ記述法による異常検知 Chapter7 方向データの異常検知 Chapter8 ガウス過程回帰による異常検知 Chapter9 部分空間法による変化検知 Chapter10 疎構造学習による異常検知 Chapter11 密度比推定による異常検知 Chapter12 密度比推定による変化検知 今 回 の 内 容 井手剛,杉山将.異常検知と変化検知. 講談社,2016,178P