Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
ガウス過程と機械学習 3章後半
Search
Asei Sugiyama
August 18, 2019
Technology
0
6.3k
ガウス過程と機械学習 3章後半
「ガウス過程と機械学習」輪読会(リターンズ) #3 の発表資料です
https://reading-circle-beginners.connpass.com/event/142115/
Asei Sugiyama
August 18, 2019
Tweet
Share
More Decks by Asei Sugiyama
See All by Asei Sugiyama
実践AIガバナンス
asei
3
250
Eval-Centric AI: Agent 開発におけるベストプラクティスの探求
asei
1
180
AI工学特論: MLOps・継続的評価
asei
11
2.7k
生成AIを用いるサービス開発の原則
asei
1
66
基調講演: 生成AIを活用したアプリケーションの開発手法とは?
asei
2
520
Eval-Centric AI: GenAI における継続的改善の実現
asei
2
170
AI の活用における課題と現状、今後の期待
asei
4
760
MLOps の現場から
asei
10
1.2k
LLMOps: Eval-Centric を前提としたMLOps
asei
8
1k
Other Decks in Technology
See All in Technology
MCPで変わる Amebaデザインシステム「Spindle」の開発
spindle
PRO
1
740
コスト削減の基本の「キ」~ コスト消費3大リソースへの対策 ~
smt7174
2
290
努力家なスクラムマスターが陥る「傍観者」という罠と乗り越えた先に信頼があった話 / 20250830 Takahiro Sasaki
shift_evolve
PRO
2
120
小さなチーム 大きな仕事 - 個人開発でAIをフル活用する
himaratsu
0
150
現場が抱える様々な問題は “組織設計上” の問題によって生じていることがある / Team-oriented Organization Design 20250827
mtx2s
7
68k
ガチな登山用デバイスからこんにちは
halka
1
110
異業種出身エンジニアが気づいた、転向して十数年経っても変わらない自分の武器とは
macnekoayu
0
230
AWSで推進するデータマネジメント
kawanago
0
560
VPC Latticeのサービスエンドポイント機能を使用した複数VPCアクセス
duelist2020jp
0
340
攻撃と防御で実践するプロダクトセキュリティ演習~導入パート~
recruitengineers
PRO
3
1.6k
Kubernetes における cgroup v2 でのOut-Of-Memory 問題の解決
pfn
PRO
0
420
ヒューリスティック評価を用いたゲームQA実践事例
gree_tech
PRO
0
370
Featured
See All Featured
4 Signs Your Business is Dying
shpigford
184
22k
Being A Developer After 40
akosma
90
590k
Statistics for Hackers
jakevdp
799
220k
Become a Pro
speakerdeck
PRO
29
5.5k
YesSQL, Process and Tooling at Scale
rocio
173
14k
Gamification - CAS2011
davidbonilla
81
5.4k
実際に使うSQLの書き方 徹底解説 / pgcon21j-tutorial
soudai
PRO
185
54k
Save Time (by Creating Custom Rails Generators)
garrettdimon
PRO
32
1.5k
KATA
mclloyd
32
14k
Side Projects
sachag
455
43k
GraphQLの誤解/rethinking-graphql
sonatard
71
11k
What’s in a name? Adding method to the madness
productmarketing
PRO
23
3.6k
Transcript
Ψεաఔͱػցֶश 3.4 - 3.6
ࣗݾհ • ਿࢁ Ѩ • Software Engineer @Repro • ػցֶशͱ͔౷ܭͱ͔։ൃͱ͔
• ػցֶशਤؑ ڞஶ
ํ & ग़య • Ψεաఔͱػցֶशͷ 3.4 - 3.6 Λத৺ʹѻ͍·͢ •
ग़యΛ໌ه͍ͯ͠ͳ͍ਤ͜ͷॻ੶ ͔ΒͷҾ༻Ͱ͢ • ͚ͩ͜͜Λ͢ͷ͍͠ͷͰɺ෮श ͔ΒೖΓ·͢ • ϕΠζਪʹΑΔػցֶशೖ • 3.1 - 3.3 • 3.4 - 3.6
༰ ֓ཁ ϙΠϯτ ϕΠζਪʹΑΔػցֶशೖ ϕΠζਪʹ͓͚Δֶशͱਪ Ψεաఔͷఆٛ ఆٛͱΧʔωϧτϦοΫ ΨεաఔճؼϞσϧ Ψεաఔʹ͓͚Δਪํ๏ ΨεաఔճؼͷϋΠύʔύϥϝʔλਪఆ
Ψεաఔʹ͓͚Δֶशํ๏ ΨεաఔճؼͷҰൠԽ ਖ਼نҎ֎ΛԾఆͨ͠Ψεաఔ
࣍ 1.ϕΠζਪʹΑΔػցֶशೖ <- 2.Ψεաఔ֓ཁ 3.ΨεաఔճؼϞσϧ 4.ΨεաఔճؼͷϋΠύʔύϥϝʔλਪఆ 5.ΨεաఔճؼͷҰൠԽ
ϕΠζਪʹΑΔػցֶशೖ • ஶऀ : ਢࢁರࢤ (@sammy_suyama) • ଞʹʮϕΠζਂֶशʯ • ϕΠζਪͷجૅʹ͍ͭͯͷຊ
• ࣍ͷ༰Λ෮श͢Δ 1.ϕΠζਪ 2.MCMC (ΪϒεαϯϓϦϯά) 3.ઢܗճؼ 4.ϩδεςΟοΫճؼ
ϕΠζਪ ܇࿅σʔλͷू߹Λ ɺϞσϧͷύϥϝʔλʔΛ ɺະ؍ଌͷ σʔλΛ ͱͯ͠ • Ϟσϧ : •
ֶश : • ਪ :
MCMC (ΪϒεαϯϓϦϯά) ͋Δ֬ ͔Βαϯϓϧ Λಘ͍ͨ߹ɺ࣍ͷΑ͏ʹ͖͔݅֬Βஞ࣍αϯϓϦϯά ͢Δ͜ͱͰɺۙࣅతʹͱͷʹै͏αϯϓϧྻΛಘΒΕΔɻ
ઢܗճؼ • ೖྗΛ ग़ྗΛ ॏΈΛ , ϊΠζΛ ͱ͠ ͯɺઢܗճؼ ͱఆࣜԽͰ͖Δ
• ϊΠζʹ͍ͭͯ ΛԾఆ͢Δͱɺग़ྗ ͱਖ਼نʹै͏ • ॏΈʹ͍ͭͯ ΛԾఆ͢Δͱɺࣄޙ ͕ਖ਼نʹै͏ (ϕΠζਪͷҙຯͰֶशՄೳ)
ϩδεςΟοΫճؼ (1/3) ଟ࣍ݩϕΫτϧ ͕࣍ͷΑ͏ͳΧςΰϦʹैͬͯग़ྗ͞Ε Δͷͱ͢Δɻ ͜͜Ͱɺ ඇઢܗؔͰɺࠓճ Softmax ؔΛ༻͍Δɻ
ϩδεςΟοΫճؼ (2/3) • ֶशͷͨΊʹೖྗͱग़ྗͷσʔληοτ ͔Β ͷࣄޙΛܭࢉ • Softmax ͕ؔೖͬͯ͠·͍ͬͯΔͨΊʹࣄޙΛղੳత ʹܭࢉͰ͖ͳ͍ͷͰมਪΛߦ͍ɺۙࣅղΛܭࢉ
• ͱͯ͠ KL μΠόʔδΣ ϯε Λ࠷খԽ͢Δ (มਪ)
ϩδεςΟοΫճؼ (3/3) • ୈ 3 ߲ΛղੳతʹܭࢉͰ͖ͳ͍ͷͰޯ๏ͰۙࣅղΛٻΊΔ • ϞϯςΧϧϩ๏ʹ͓͍ͯɺ ͕ಘΒΕͨͷͩͱΈͳ͢ (
ΛαϯϓϦϯάͨ͠ͷͩͱߟ͑Δ) ࠶ύϥϝʔ λʔԽτϦοΫʹΑΓޯ͕ܭࢉͰ͖Δ
ϕΠζਪʹΑΔػցֶशೖ Recap ߲ ϙΠϯτ 1. ϕΠζਪ ֶशͰਪͰ֬Λߟ͑Δ 2. MCMC (ΪϒεαϯϓϦϯά)
ෳࡶͳΛۙࣅ͢Δख๏͕͋Δ 3. ઢܗճؼ ॏΈΛ֬มͩͱଊֶ͑ͯश͢Δ 4. ϩδεςΟοΫճؼ ޯ߱Լ๏ΛϕΠζͰ͑Δ
༨ஊ ϕΠζਂֶश • ୈ 1 ষ ͡Ίʹ • ୈ 2
ষ χϡʔϥϧωοτϫʔΫͷج ૅ • ୈ 3 ষ ϕΠζਪͷجૅ • ୈ 4 ষ ۙࣅϕΠζਪ • ୈ 5 ষ χϡʔϥϧωοτϫʔΫͷϕ Πζਪ • ୈ 6 ষ ਂੜϞσϧ • ୈ 7 ষ ਂֶशͱΨεաఔ
࣍ 1.ϕΠζਪʹΑΔػցֶशೖ 2.Ψεաఔ֓ཁ <- 3.ΨεաఔճؼϞσϧ 4.ΨεաఔճؼͷϋΠύʔύϥϝʔλਪఆ 5.ΨεաఔճؼͷҰൠԽ
Ψεաఔ֓ཁ ߲ ϙΠϯτ 1. Ψεաఔͷఆٛ ฏۉͱڞࢄߦྻͰܾ·Δ 2. Χʔωϧؔͷಋೖ ΧʔωϧؔੵΛҰൠԽͨ͠ͷ 3.
ΧʔωϧؔͱάϥϜߦྻ άϥϜߦྻ͕Ψεաఔʹ͓͚Δڞࢄ ߦྻʹͳΔ 4. ؍ଌϊΠζͱΧʔωϧؔ ΧʔωϧؔʹΑΓΨεաఔͰ͞·͟ ·ͳϞσϧΛදݱͰ͖Δ
Ψεաఔͷఆٛ • Wikipedia (English) ͷఆٛ࣍ ͷ௨Γ ֬աఔ ͕࣍ͷ݅Λຬͨ ͢ͱ͖ɺΨεաఔͱݺͿɻ ఴࣈू߹
ͷҙͷ༗ݶ෦ू߹ ʹର͠ɺ ͕ଟ࣍ݩਖ਼ن ʹै͏ɻ
Χʔωϧؔͷಋೖ ؔ ͕࣍Λຬͨ͢ͱ͖ɺਖ਼ఆΧʔωϧͱݴ͏ ҙͷ ʹର͠ 1. (ରশੑ) 2. (ਖ਼ఆੑ) ੵͷҰൠԽͰ͋ΓɺσʔλؒͷྨࣅΛද͢
(ཧ༝͋ͱͰ)
ΧʔωϧؔͱάϥϜߦྻ ҙͷσʔλྻ ͱΧʔωϧؔ ʹର͠ɺߦྻ ͷ Λ࣍Ͱఆٛͨ͠ͷΛάϥϜߦྻ·ͨ ΧʔωϧߦྻͱݺͿ • ΧʔωϧؔΛ༻͍ͨڞࢄߦྻͷҰൠԽ •
Χʔωϧؔͷਖ਼ఆੑάϥϜߦྻͷݻ༗͕શͯ 0 Ҏ্ Ͱ͋Δ͜ͱʹಉ͡
ิ Mercer ͷఆཧ • ਖ਼ఆΧʔωϧ ʹରͯ͠ɺ࣍Λຬ ͨ͢Α͏ͳಛۭؒͷࣹӨ ͕ ଘࡏ͢Δɺͱ͍͏ఆཧ •
ࣹӨ͢Δಛۭؒͷ࣍ݩҰൠʹ༗ ݶͰͳ͍ • ͭ·ΓຊʹӈͷΑ͏ʹͳ͍ͬͯΔͱ ࢥͬͯྑ͍ (ػցֶशਤ͔ؑΒൈਮ)
Ψεաఔͷఆٛ (Χʔωϧ๏)
؍ଌϊΠζͱΧʔωϧؔ • ઢܗճؼ ʹ͓͍ͯɺ ͱ ͓͖ɺ ͱ ΛԾఆ͢Δ • ͜ͷͱ͖
Ͱ ( ͱͨ͠) • ͕ਖ਼ఆͰ͋Δ͜ͱͱɺΧʔωϧؔʹดͯ͡ ͍Δ͜ͱΛ༻͍Δͱ ͱ͍͏ ৽͍͠ΧʔωϧؔΛఆٛͨ͠ͱΈͳͤΔ
Ψεաఔ֓ཁ Recap ߲ ϙΠϯτ 1. Ψεաఔͷఆٛ ฏۉͱڞࢄߦྻͰܾ·Δ 2. Χʔωϧؔͷಋೖ ΧʔωϧؔੵΛҰൠԽͨ͠ͷ
3. ΧʔωϧؔͱάϥϜߦྻ άϥϜߦྻ͕Ψεաఔʹ͓͚Δڞࢄ ߦྻʹͳΔ 4. ؍ଌϊΠζͱΧʔωϧؔ ΧʔωϧؔʹΑΓΨεաఔͰ͞·͟ ·ͳϞσϧΛදݱͰ͖Δ
࣍ 1.ϕΠζਪʹΑΔػցֶशೖ 2.Ψεաఔ֓ཁ 3.ΨεաఔճؼϞσϧ <- 4.ΨεաఔճؼͷϋΠύʔύϥϝʔλਪఆ 5.ΨεաఔճؼͷҰൠԽ
ΨεաఔճؼϞσϧ ߲ ༰ 1. Ψεաఔͷ༧ଌ ΨεաఔͰͷਪํ๏ 2. Ψεաఔճؼͷܭࢉ ࣮ํ๏ͱܭࢉྔ 3.
Ψεճؼաఔͷཁૉදݱ ଞͷख๏ͱͷؔ࿈
Ψεաఔͷ༧ଌ • ֶशσʔλ Λͬͯະσʔλ ʹର͢Δग़ྗ Λ༧ଌ͍ͨ͠ ( ͱ͢Δ) • ͱ͍͏͕ؔ͋Γ
ͱ͢Δ • ͷै͏άϥϜߦྻ Λ༻͍Δͱɺ (ΨεաఔͷఆٛΑΓ) • ະσʔλͰͲ͏͖͔͢Λߟ͍͑ͨ
ະσʔλʹର͢Δਪ (1/2) • ະͷೖྗ ʹର͢Δग़ྗ Λؚ ΊͯάϥϜߦྻΛܭࢉͯ͠ਪ͢Δ • ະσʔλΛՃ͑ͨग़ྗ ͱɺະσʔλΛ
Ճ͑ͨάϥϜߦྻ Λܭࢉ͢Δ • ະσʔλΛؚΊͨग़ྗͷ (ط σʔλͱະσʔλͷಉ࣌֬) ͕ਪͰ͖Δ
ະσʔλʹର͢Δਪ (2/2) • ಉ࣌ ͔Β͖݅֬ ΛٻΊΔ • ଟ࣍ݩਖ਼نͷҰ෦͕༩͑ΒΕͨͱ ͖ͷ݁ՌΛ༻͍Δ
• ະσʔλ͕ෳ͋Δͱ͖ಉ༷
None
Ψεաఔճؼͷܭࢉ (1/2) • ֬ ͷύϥ ϝʔλͷܭࢉʹ͓͍ͯɺ ͷܭࢉ͕ඞཁ • ٯߦྻͷܭࢉͰϥϯΫ (͜͜Ͱσʔλྔ)
ʹରͯ͠ܭ ࢉྔ͕ ඞཁʹͳΔͨΊͳΜͱ͔ͯ͠ճආ͍ͨ͠ • ΨγΞϯΧʔωϧͰճආͰ͖Δ • ৄ͘͠ 5 ষͰ!
Ψεաఔճؼͷܭࢉ (2/2) • ۪ͳ࣮ͰؾʹͳΔՕॴΛݕ౼͢Δ • K[n, n'] ͷϝϞϦফඅྔ͕σʔλ ʹରͯ͠ •
ٯߦྻͷܭࢉྔ͕ߴ͍ ( ) • άϥϜߦྻͷܭࢉྔߴ͍ ( ) • train ʹ֘͢Δ෦͕ͳ͍ • άϥϜߦྻΛهԱ͢Δ͚ͩ • ޙ΄Ͳ࠶ݕ౼
Ψεճؼաఔͷཁૉදݱ (1/3) • ฏۉʹ͍ͭͯݕ౼͢Δ • ͱ͓͘ͱɺ
Ψεճؼաఔͷཁૉදݱ (2/3) • Λݕ౼͢Δ ( ݻఆͯ͠ߟ͑Δ) • ൪ͷσʔλͱະ σʔλͷྨࣅ
• ൪ͷσʔλͱͷ ൪ͷσʔ λͷؔ࿈߹͍ • ະσʔλ͕ ൪ͷطσʔλ ͱͲΕ͚ͩؔ࿈͢Δ͔ɺશମతͳฏۉ Λͱͬͨͷ
Ψεճؼաఔͷཁૉදݱ (3/3) • , ͱఆ ٛ͢Δͱɺ࣍ͷΑ͏ʹॻ͚Δ* • ͜ͷܭࢉάϥϑߏͰ͔͚Δ * ӈਤͱผͷఆٛ
ΨεաఔճؼϞσϧ Recap ߲ ϙΠϯτ 1. Ψεաఔͷ༧ଌ ਪΧʔωϧؔΛ༻͍ͨطͷσ ʔλͱͷྨࣅܭࢉ͔ΒͰ͖Δ 2. Ψεաఔճؼͷܭࢉ
۩ମతͳ࣮Ͱٯߦྻͷܭࢉ͕ܭࢉ ͷେΛΊΔ 3. Ψεճؼաఔͷཁૉදݱ αϙʔτϕΫτϧϚγϯχϡʔϥϧ ωοτϫʔΫͱͷؔ࿈͕ࣔࠦ͞ΕΔ
༨ஊ Firebase • Firebase ͷυΩϡϝϯτʹʮߴͳ ϕΠζ౷ܭʯΛ༻͍ͯͱ͋Γ·͢Ͷ • Optimize1 Ͱ͍ͬͯΔΈ͍ͨͰ͢ Ͷ
• ࣄલʹ Beta(0, 0) Λ༻͍͍ͯ Δͷͼͬ͘Γ͠·ͨ͠ 1 Google Analytics Λ༻͍ͨ Web αΠτͷ A/B ςετ༻αʔϏε
࣍ 1.ϕΠζਪʹΑΔػցֶशೖ 2.Ψεաఔ֓ཁ 3.ΨεաఔճؼϞσϧ 4.ΨεաఔճؼͷϋΠύʔύϥϝʔλਪఆ <- 5.ΨεաఔճؼͷҰൠԽ
ΨεաఔճؼͷϋΠύʔύϥϝʔλਪఆ ߲ ༰ 1. ϋΠύʔύϥϝʔλͷ࠷దԽ Ψεաఔʹ͓͚Δޯ߱Լ๏ 2. ϋΠύʔύϥϝʔλͱہॴղ େҬղͱہॴղ 3.
Χʔωϧͷબ ΧʔωϧͷΈ߹Θͤํ
ϋΠύʔύϥϝʔλͷ࠷దԽ • Ψεաఔͷ࣮ʹ͓͍ͯɺֶशաఔͰάϥϜߦྻͷܭࢉ݁ ՌΛهԱ͢Δ͚ͩͩͬͨ • ҰํɺΧʔωϧؔʹϋΠύʔύϥϝʔλΛ࣋ͭͷ͕ଟ͍ • e.g. RBF Χʔωϧ
• ͜ΕΒͷύϥϝʔλʹ͍ͭͯɺσʔλ͔Β࠷దԽͰ͖ͳ͍͔ݕ ౼͢Δ
࠷దԽͷํ 1.σʔλΛਖ਼نԽ͢Δ2 2.࠷దԽͷରΛର ͱ͢Δ 3.ରͷޯΛܭࢉ͢Δ • ͜ͷࡍʹάϥϜߦྻΛύϥϝʔλͰ ඍ͢Δඞཁ͕͋Δ 4.ޯ߱Լ๏ʹجͮ͘ԿΒ͔ͷΞϧΰϦ ζϜΛ༻͍ͯ࠷దԽ͢Δ
2 ऍ 23 ΑΓɺ͜͜ͰฏۉΛ 0 ࢄΛ 1 ʹ͍ͯ͠Δ
ϋΠύʔύϥϝʔλͱہॴղ • େҬղͰͳ͘ہॴղʹؕΔ߹͕͋ Δͷʹҙ • ͜ΕۙܭࢉʹҰൠͷੑ࣭ • ϋΠύʔύϥϝʔλͷ࣍ݩ͕ߴ͍߹ MCMC3 ͳͲΛͬͯܭࢉ͢Δͱྑ͍ͱ
ओு͍ͯ͠Δ 3 ͜͜Ͱݴ͏ MCMC Metropolis–Hastings ͰཚΛੜͯ͠ظΛܭ ࢉ͢Δͱ͍͏ҙຯͰͳ͘ɺͦΕΛϋΠύʔύϥϝʔλʔ୳ࡧʹ͏ͱ͍͏ҙຯ (ޮΑ͘ϥϯμϜαʔνΛΔΠϝʔδ) cf. ऍ 26
Χʔωϧͷબ • ΧʔωϧͷબΛߦ͏͜ͱͰɺ֎෦͔ ΒࣝΛೖͰ͖Δ • RBF Χʔωϧ͚ͩΛ༻͍ͨਤ(a)Ͱ ɺσʔλͷ͋ΔՕॴͱ͔͘ɺӈ ͕ո͍͠ •
ઢܗΧʔωϧΛՃ͑ͨਤ(b)Ͱɺશମ తʹҰ؏͕ͨ͋͠Δͱ͍͏݁ՌΛ ಘΒΕ͍ͯΔ
ΨεաఔճؼͷϋΠύʔύϥϝʔλਪఆ Recap ߲ ༰ 1. ϋΠύʔύϥϝʔλͷ࠷దԽ ޯ߱Լ๏Λ༻͍ͨ࠷దԽ͕Ͱ͖Δ(Χ ʔωϧʹΑΔ) 2. ϋΠύʔύϥϝʔλͱہॴղ
େҬղʹ౸ୡ͢Δอূͳ͍ͷͰҙ ͢Δ 3. Χʔωϧͷબ RBF ΧʔωϧҎ֎ͷΧʔωϧซ༻͢ Δͱྑ͘ͳΔ߹͕͋Δ
༨ஊ • ΨεաఔͷΧϧϚϯϑΟϧλͱࣅ ͍ͯΔ • ܚԠେֶͷΧϧϚϯϑΟϧλͷߨٛ4͕ ໘ന͔ͬͨ • ಉ࣌ʹ͏ํ๏ఏএ͞Ε͍ͯΔ༷ࢠ5 (ະಡ)
5 J. Ko and D. Fox: GP-BayesFilters: Bayesian filtering using Gaussian process prediction and observation models, Autonomous Robots, 27-1, 75/90 (2009) 4 ܚጯେֶߨٛ Ԡ༻֬ ୈेࡾճɹϕΠζͷํ๏ ΧϧϚϯϑΟϧλ̍ https://www.youtube.com/watch?v=P85JCE3tZWY
࣍ 1.ϕΠζਪʹΑΔػցֶशೖ 2.Ψεաఔ֓ཁ 3.ΨεաఔճؼϞσϧ 4.ΨεաఔճؼͷϋΠύʔύϥϝʔλਪఆ 5.ΨεաఔճؼͷҰൠԽ <-
ΨεաఔճؼͷҰൠԽ ༰ ߲ 1. ϩόετͳΨεաఔճؼ ΨεաఔͰίʔγʔΛ༻͍Δ 2. ΨεաఔࣝผϞσϧ ΨεաఔΛྨʹద༻͢Δ 3.
ϙΞιϯճؼϞσϧ ΨεաఔΛΠϕϯτͷൃੜճͷ༧ଌ ʹద༻͢Δ ίϥϜ χϡʔϥϧωοτϫʔΫͱΨε աఔ χϡʔϥϧωοτϫʔΫΨεաఔ
֓ཁ • ؍ଌϞσϧͱͯ͠ΨεΛఆ͍͕ͯͨ͠ɺੈͷதͦ͏Ͱ ͳ͍͜ͱଟ͍ (e.g. Ի୯ޠͷੜ֬) • Ψεաఔʹ͓͚Δೖྗ ͔Β؍ଌ ͕ੜ͞Ε
Δ֬ ʹਖ਼نҎ֎ͷ֬Λ༻͍Δ͜ͱՄೳ • ͕ղੳతʹܭࢉͰ͖ͳ͍ͷͰɺMCMC ม ϕΠζͱ͍ͬͨۙࣅਪͰࣄޙΛٻΊΔ
1. ϩόετͳΨεաఔճؼ • ͷ͍Λ༻͍Δ͜ͱͰϩόετ ͳϞσϧ͕Ͱ͖Δ • Cauchy (t )
Λ༻͍Δ • ӈਤͰ֎ΕʹϩόετͳϞσϧ͕ Ͱ͖͍ͯΔ • ࣄޙղੳతʹٻΊΒΕͳ͍ͷͰ MCMC ͳͲͰۙࣅతʹٻΊΔ
2. ΨεաఔࣝผϞσϧ • ؍ଌ ͕ 2 ͷͱ͖ ͱ֬Λܭࢉ͍ͨ͠ • ͱͯ͠γάϞΠυؔΛ༻͍Δ
• ϓϩϏοτؔ (ਖ਼نͷྦྷੵີ ؔ) ΛΑۙ͘ࣅ͢Δ • ਪఆෳࡶͳͷͰ୯ʹྨΛߦ͍͍ͨ ߹ʹϝϦοτͳ͍ • ଞͷ֬աఔͱͷΈ߹ΘͤΛߟ͑Δ ߹ʹ͓ͬͯ͘ͱྑ͍
3. ϙΞιϯճؼϞσϧ • ؍ଌ ͕ࣗવͷͱ͖ʹΨεաఔ Λ༻͍ͨճؼΛߦ͍͍ͨ • ύϥϝʔλʔ ͱೖྗ ͷؒʹ
ΛԾఆ͢Δ • • ࣄޙΓෳࡶ
χϡʔϥϧωοτϫʔΫͱΨεաఔ ཁ • ॏΈͷॳظʹখ͞ͳཚΛ༻͍Δɺͱ͍͏ͷҰൠత • ʮଟͷॏΈΛ͔͚߹Θͤͯ͢ʯͱ͍͏ͷɺظΛͱΔ ૢ࡞ͱΈͳͤɺ݁Ռத৺ۃݶఆཧ͔ΒΨεʹۙͮ͘ • ωοτϫʔΫʹΑͬͯΧʔωϧ͕ؔղੳతʹٻΊΒΕΔ •
࣮ࡍɺਂֶशΨεաఔͱΈͳͤΔ24 24 Deep Neural Networks as Gaussian Processes. 2017. https://arxiv.org/abs/1711.00165.
ΨεաఔճؼͷҰൠԽ Recap ༰ ߲ 1. ϩόετͳΨεաఔճؼ ίʔγʔΛ༻͍Δͱ֎Εʹڧ͘ͳ Δ 2. ΨεաఔࣝผϞσϧ
ϩδεςΟοΫճؼΛΨεաఔʹద༻ Ͱ͖Δ 3. ϙΞιϯճؼϞσϧ ϙΞιϯճؼΛΨεաఔʹద༻Ͱ͖Δ χϡʔϥϧωοτϫʔΫͱΨεաఔ χϡʔϥϧωοτϫʔΫΨεաఔ
Recap ֓ཁ ϙΠϯτ ϕΠζਪʹΑΔػցֶशೖ ϕΠζਪʹ͓͚Δֶशͱਪ Ψεաఔͷఆٛ ఆٛͱΧʔωϧτϦοΫ ΨεաఔճؼϞσϧ Ψεաఔʹ͓͚Δਪํ๏ ΨεաఔճؼͷϋΠύʔύϥϝʔλਪఆ
Ψεաఔʹ͓͚Δֶशํ๏ ΨεաఔճؼͷҰൠԽ ਖ਼نҎ֎ΛԾఆͨ͠Ψεաఔ