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
6.1k
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
MLOps の現場から
asei
8
890
LLMOps: Eval-Centric を前提としたMLOps
asei
7
660
The Rise of LLMOps
asei
13
3k
生成AIの活用パターンと継続的評価
asei
15
2.6k
最近の Citadel AI の取り組みのご紹介 (Nov, 2024)
asei
2
130
仕事で取り組む 生成 AI 時代の対話の品質評価
asei
2
88
MLOps の処方箋ができるまで
asei
3
640
LLM を現場で評価する
asei
5
1k
生成 AI の評価方法
asei
8
2.4k
Other Decks in Technology
See All in Technology
リクルートのエンジニア組織を下支えする 新卒の育成の仕組み
recruitengineers
PRO
1
150
マーケットプレイス版Oracle WebCenter Content For OCI
oracle4engineer
PRO
3
540
事業モメンタムを生み出すプロダクト開発
macchiitaka
0
100
【5分でわかる】セーフィー エンジニア向け会社紹介
safie_recruit
0
19k
IoTシステム開発の複雑さを低減するための統合的アーキテクチャ
kentaro
1
130
手を動かしてレベルアップしよう!
maruto
0
240
What's new in Go 1.24?
ciarana
1
110
EMConf JP 2025 懇親会LT / EMConf JP 2025 social gathering
sugamasao
2
210
クラウド関連のインシデントケースを収集して見えてきたもの
lhazy
9
1.9k
データモデルYANGの処理系を再発明した話
tjmtrhs
0
210
急成長する企業で作った、エンジニアが輝ける制度/ 20250227 Rinto Ikenoue
shift_evolve
0
190
E2Eテスト自動化入門
devops_vtj
1
110
Featured
See All Featured
Unsuck your backbone
ammeep
669
57k
Product Roadmaps are Hard
iamctodd
PRO
51
11k
Designing Dashboards & Data Visualisations in Web Apps
destraynor
231
53k
The Myth of the Modular Monolith - Day 2 Keynote - Rails World 2024
eileencodes
21
2.5k
Bash Introduction
62gerente
611
210k
A Modern Web Designer's Workflow
chriscoyier
693
190k
Creating an realtime collaboration tool: Agile Flush - .NET Oxford
marcduiker
27
1.9k
Responsive Adventures: Dirty Tricks From The Dark Corners of Front-End
smashingmag
251
21k
The Art of Programming - Codeland 2020
erikaheidi
53
13k
Fight the Zombie Pattern Library - RWD Summit 2016
marcelosomers
233
17k
Intergalactic Javascript Robots from Outer Space
tanoku
270
27k
Building Applications with DynamoDB
mza
93
6.2k
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