Upgrade to PRO for Only $50/Year—Limited-Time Offer! 🔥

Deep Neural Networkの共同学習

Deep Neural Networkの共同学習

2023年2月2日
知識転移グラフによる深層共同学習
知識転移グラフによる最適な半教師あり学習の探索
素人発想玄人実行2.0

Hironobu Fujiyoshi

February 02, 2023
Tweet

More Decks by Hironobu Fujiyoshi

Other Decks in Technology

Transcript

  1. w ʮൃ૝͸୯७ɼૉ௚ɼࣗ༝ɼ؆୯ で ͳ͚Ε ば ͳΒͳ͍ɽ͔͠͠ɼൃ૝Λ࣮ߦʹҠ͢ʹ͸஌ࣝ が ͍Δɼख़࿅͞Εٕͨ が ͍Δʯʢۚग़෢༤ʣ

    ʮૉਓൃ૝ݰਓ࣮ߦʯͱ͸ʁ 3 த෦େֶϩΰ த෦େֶϩΰ IUUQTXXXBNB[PODPKQEQ#11428/ IUUQNQSHKQ5,CPPL 
  2. w ʮݴ͏͸қ͘ɼߦ͏͸೉͠ʯͷయܕ w ೥͔Β໿೥Λܦͯʮૉਓൃ૝ݰਓ࣮ߦʯ͚ۙͮͨݚڀ  ඇ౳ํੑ-P(ϑΟϧλʹΑΔෳ਺ͷΞϑΟϯྖҬͷਪఆ<)BTFHBXB *$$7>  ஌ࣝసҠ グ

    ϥϑʹΑΔڞಉֶश<.JOBNJ "$$7> <0LBNPUP &$$7> ݚڀϞοτʔʮૉਓൃ૝ݰਓ࣮ߦʯ 4 த෦େֶϩΰ த෦େֶϩΰ ࿦จ" ࿦จ# ࿦จ$ ࿦จ% ࿦จ" ࿦จ# ࿦จ$ ࿦จ% ࿦จ& ଟ͘ͷ࿦จΛਂ͘ಡΜͰ͍͘ͱ ຊ࣭తͳݚڀ ຊ࣭Ͱͳ͘খ͞ͳ͜ͱ ʹண໨ͨ͠ݚڀ ݚڀۭؒ 
  3. ਂ૚ֶशͷωοτϫʔΫߏ଄ த෦େֶϩΰ த෦େֶϩΰ w *-473$ʹ͓͚ΔωοτϫʔΫߏ଄ͷมભ 2012 SuperVision GoogLeNet Konvolüzasyon Pooling

    Softmax Diğer [Krizhevsky NIPS 2012] [Szegedy arxiv 2014]-22 [Sim "MFY/FU MBZFST *-473$ 2014 GoogLeNet Konvolüzasyon Pooling Softmax Diğer VGG MSRA [Szegedy arxiv 2014]-22 [Simonyan arxiv 2014] -19 [He arxiv 2014] n 2014 GoogLeNet Konvolüzasyon Pooling Softmax Diğer VGG MSRA 35/36 t derin öğ kullanm 20/36 t açık-kay Caffe uygula kullanm 012] [Szegedy arxiv 2014]-22 [Simonyan arxiv 2014] -19 [He arxiv 2014] 7(( MBZFST *-473$ (PPHMF/FU MBZFST *-473$ 14 3FT/FU MBZFST *-473$  ˠ໿ ສύϥϝʔλ ˠ໿ԯύϥϝʔλ ˠ໿ ສύϥϝʔλ
  4. ,OPXMFEHF%JTUJMMBUJPO ,% <()JOUPO > த෦େֶϩΰ த෦େֶϩΰ w ஌ࣝৠཹ  ֶशࡁΈ-BSHFωοτϫʔΫ͔Β4NBMMωοτϫʔΫʹ஌ࣝసҠ

     ੑೳΛอͪͭͭɺύϥϝʔλ਺ͱܭࢉίετΛ࡟ݮՄೳ  5FBDIFS /FUXPSL 4UVEFOU /FUXPSL -BSHF  QSFUSBJOFE 4NBMM ,OPXMFEHFUSBOTGFS ஌ࣝৠཹ ஌ࣝ
  5. ,OPXMFEHF%JTUJMMBUJPO ,% <()JOUPO > த෦େֶϩΰ த෦େֶϩΰ w ஌ࣝৠཹɿ5FBDIFSˠ4UVEFOU  ֶशࡁΈ-BSHFωοτϫʔΫ͔Β4NBMMωοτϫʔΫʹ஌ࣝసҠ

     ੑೳΛอͪͭͭɺύϥϝʔλ਺ͱܭࢉίετΛ࡟ݮՄೳ  ֶशํ๏ɿ)BSEUBSHFUͱ4PGUUBSHFUͰ4UVEFOUωοτϫʔΫΛֶश  %BSL,OPXMFEHFʢӅΕͨ஌ࣝʣ 5FBDIFS 4UVEFOU $SPTT&OUSPQZ $SPTT&OUSPQZ MBCFM QSFUSBJOFE 4PGUUBSHFU )BSEUBSHFU ʢਖ਼ղϥϕϧʣ p1 p2 ʢ֬཰෼෍ʣ #BDLQSPQ
  6. %FFQ.VUVBM-FBSOJOH %.- <:;IBOH > த෦େֶϩΰ த෦େֶϩΰ w 4UVEFOUωοτϫʔΫͷ૬ޓֶशɿ4UVEFOU⁶4UVEFOU  ,VMMCBDL-FJCMFS

    ,- %JWFSHFODFͰωοτϫʔΫͷग़ྗ ͱ Λ͚ۙͮ߹͏ p1 p2  MBCFM 4UVEFOU 4UVEFOU p1 p2 KL(p1 ||p2 ) KL(p2 ||p1 ) ˠྠߨͷΑ͏ͳֶशܗଶͰ͋Γɺ஌ࣝৠཹΑΓਫ਼౓͕޲্ )BSE5BSHFU $SPTT&OUSPQZ 4PGU5BSHFU ,-EJWFSHFODF
  7. %FFQ.VUVBM-FBSOJOH %.- <:;IBOH > த෦େֶϩΰ த෦େֶϩΰ w Կނ%.-͸͏·͍͘͘ͷ͔ʁ  *OEFQFOEFOU

    Y Zd Y Zd %.- 7*46"-*;*/(5)&-044-"/%4$"1&0'/&63"-/&54</FVS*14> ˠ%.-͸޿͍୩ʹམ͍ͪͯΔ
  8. %FFQ.VUVBM-FBSOJOH %.- <:;IBOH > த෦େֶϩΰ த෦େֶϩΰ w ޿͍୩ʹམ͍ͪͯΔͱԿނྑ͍ͷ͔ʁ  ύϥϝʔλ

    ʢ΋͘͠͸ೖྗ ʣ͕มಈͯ͠΋ଛࣦ͸มԽ͠ͳ͍ˠ൚Խೳྗ͕ߴ͍  *OEFQFOEFOUɿଛࣦ͕খ͘͞ͳΔ୩ʹऩଋʢ޿͍୩ͱ͸ݶΒͳ͍ʣ  %.-ɿೋͭͷωοτϫʔΫͷग़ྗ͕ࣅΔΑ͏ʹֶशˠ޿͍୩Λ୳͢ ˠϩεͷϥϯυεέʔϓ͕ޯ഑ͷ؇΍͔ͳತؔ਺ʹ͖ۙͮਫ਼౓΋޲্ w x  -PTT y = f(x) y = wTx w ࣸ૾ؔ਺ɿχϡʔϥϧωοτϫʔΫ " # %.- %.- *OEFQFOEFOU
  9. ஌ࣝৠཹɾ૬ޓֶशͷ೿ੜख๏ த෦େֶϩΰ த෦େֶϩΰ  4UVEFOU 4UVEFOU 4UVEFOU 4UVEFOU 4UVEFOU 4UVEFOU

    4UVEFOU 5FBDIFS 4UVEFOU 5FBDIFS 4UVEFOU 5FBDIFS 5" 4UVEFOU ,OPXMFEHF%JTUJMMBUJPO %FFQ.VUVBM-FBSOJOH ,OPXMFEHF%JTUJMMBUJPO <()JOUPO > #PSO"HBJO <'VSMBOFMMP > 5FBDIFS"TTJTUBOU <.JS[BEFI > %FFQ.VUVBM-FBSOJOH<:;IBOH > -BSHFϞσϧ4NBMMϞσϧ ಉҰαΠζ தؒϞσϧ͋Γ -BSHFϞσϧ4NBMMϞσϧ ಉҰαΠζ Ϟσϧ਺ p1 p2 p1 p2 p1 p2 p1 p2 p1 p2 p3 p1 p2 p3
  10. ஌ࣝৠཹɾ૬ޓֶशͷ೿ੜख๏ த෦େֶϩΰ த෦େֶϩΰ  ,OPXMFEHF%JTUJMMBUJPO <()JOUPO > #PSO"HBJO <'VSMBOFMMP >

    5FBDIFS"TTJTUBOU <.JS[BEFI > %FFQ.VUVBM-FBSOJOH<:;IBOH > ,OPXMFEHF%JTUJMMBUJPO %FFQ.VUVBM-FBSOJOH -BSHFϞσϧ4NBMMϞσϧ ಉҰαΠζ தؒϞσϧ͋Γ -BSHFϞσϧ4NBMMϞσϧ ಉҰαΠζ Ϟσϧ਺ ਓ͕ઃܭͨ͠ݶఆతͳֶशํ๏
  11. w ڞಉֶशΛΫϥεϧʔϜεέʔϧ΁֦ு  ଟ༷ੑͷߴ͍ڞಉֶशΛ࣮ݱ w ஌ࣝసҠάϥϑͷఏҊ<.JOBNJ "$$7>  ैདྷख๏ ,%ͱ%.-

    Λ಺แͭͭ͠ɺ৽ֶ͍͠शํ๏ΛؚΉදݱํ๏  ̐छྨͷ(BUFؔ਺ʹΑΓ஌ࣝసҠΛ੍ޚ͢Δ͜ͱͰଟ༷ͳڞಉֶश ,% %.- ຊݚڀͷ໨ඪ த෦େֶϩΰ த෦େֶϩΰ  𝑚 3 𝑚 1 𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 ஌ࣝసҠάϥϑ
  12. w άϥϑΛ༻͍ͯ,%ͱ%.-Λදݱ  ϊʔυɿਂ૚ֶशϞσϧ  Τοδɿ஌ࣝৠཹͷଛࣦ άϥϑදݱ΁ͷม׵ த෦େֶϩΰ த෦େֶϩΰ 

    ,OPXMFEHF%JTUJMMBUJPO ,% 5FBDIFS 4UVEFOU 4UVEFOU 4UVEFOU %FFQ.VUVBM-FBSOJOH %.- p1 p2 p1 p2 -BSHF 4NBMM m1 m2 ํ޲ͷΤοδ  -BSHF 4NBMM m1 m2 ૒ํ޲ͷΤοδ  άϥϑදݱ
  13. w ิॿϊʔυ͕ධՁର৅ϊʔυͷֶशΛαϙʔτ͢Δ  ϊʔυɿਂ૚ֶशϞσϧ  Τοδɿ஌ࣝৠཹͷଛࣦ ஌ࣝసҠάϥϑ ϊʔυ਺͕ͷ৔߹ த෦େֶϩΰ த෦େֶϩΰ

     𝑚 3 𝑚 1 𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 ਖ਼ղϥϕϧ ධՁର৅ϊʔυ 3FT/FU ิॿϊʔυ 3FT/FU 8JEF3FT/FU %FOTF/FU …
  14. w ֤ΤοδʹҟͳΔଛࣦؔ਺Λఆٛ  ଛࣦؔ਺ͷ૊Έ߹ΘͤΛ୳ࡧ͢Δ͜ͱͰ৽ͨͳֶशํ๏Λ࣮ݱ ஌ࣝసҠάϥϑ ϊʔυ਺͕ͷ৔߹ த෦େֶϩΰ த෦େֶϩΰ  𝑚

    3 𝑚 1 𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 ଛࣦؔ਺ 𝐿 = 𝐻 ( 𝑝 ^ 𝑦 , 𝑝 𝑛 ) 𝐿 = 𝐾 𝐿 ( 𝑝 𝑛 || 𝑝 𝑚 ) 𝐿 = 0 … ˠଟ༷ͳ஌ࣝసҠΛදݱ͢ΔϑϨʔϜϫʔΫΛઃܭ ʮݰਓ࣮ߦᶃʯ
  15. w ϊʔυ̎ TPVSDF ͔Βϊʔυ̍ EFTUJOBUJPO ΁ͷ஌ࣝసҠ Τοδͷ஌ࣝసҠͷଛࣦܭࢉ த෦େֶϩΰ த෦େֶϩΰ 

    𝑚 3 𝑚 1 𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝑚 1 𝑚 2 𝐿 2,1 -PTT GVOD 4PVSDF %FTUJOBUJPO 𝑚 2 𝑚 1 p2 (c|x) p1 (c|x) L2,1 (p2 , p1 ) 'PSXBSE
  16. w ϊʔυ̎ TPVSDF ͔Βϊʔυ̍ EFTUJOBUJPO ΁ͷ஌ࣝసҠ Τοδͷ஌ࣝసҠͷଛࣦܭࢉ த෦େֶϩΰ த෦େֶϩΰ 

    𝑚 3 𝑚 1 𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝑚 1 𝑚 2 𝐿 2,1 -PTT GVOD 4PVSDF %FTUJOBUJPO 𝑚 2 𝑚 1 L2,1 (p2 , p1 ) #BDLQSPQ %FUBDI #BDLXBSE
  17. w ϊʔυ̎ TPVSDF ͔Βϊʔυ̍ EFTUJOBUJPO ΁ͷ஌ࣝసҠ Τοδͷ஌ࣝసҠͷଛࣦܭࢉ த෦େֶϩΰ த෦େֶϩΰ 

    𝑚 3 𝑚 1 𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝑚 1 𝑚 2 𝐿 2,1 -PTT GVOD 4PVSDF %FTUJOBUJPO 𝑚 2 𝑚 1 L2,1 (p2 , p1 ) Gate KL div 'PSXBSE p2 (c|x) p1 (c|x)
  18. w ͲͷΑ͏ʹ஌ࣝసҠ͢Δ͔Λ੍ޚ ήʔτؔ਺ த෦େֶϩΰ த෦େֶϩΰ  𝑚 3 𝑚 1

    𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝑚 1 𝑚 2 𝐿 2,1 4PVSDF %FTUJOBUJPO 𝑚 2 𝑚 1 L2,1 (p2 , p1 ) 'PSXBSE p2 (c|x) p1 (c|x) Gate KL div $VUPGG(BUF -JOFBS(BUF 5ISPVHI(BUF $PSSFDU(BUF
  19. w ೖྗ͞Εͨ஋Λͦͷ··ग़ྗ͢Δ ήʔτؔ਺ɿ5ISPVHI(BUF த෦େֶϩΰ த෦େֶϩΰ  𝑚 3 𝑚 1

    𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝑚 1 𝑚 2 𝐿 2,1 4PVSDF %FTUJOBUJPO 𝑚 2 𝑚 1 L2,1 (p2 , p1 ) $VUPGG(BUF -JOFBS(BUF $PSSFDU(BUF 5ISPVHI(BUF 𝐺 ( 𝐷 𝐾 𝐿 ) = 𝐷 𝐾 𝐿 มߋΛՃ͑ͣɺ ͦͷ··఻ୡ 'PSXBSE p2 (c|x) p1 (c|x) Gate KL div
  20. w ೖྗʹରͯ͠ৗʹΛग़ྗ ήʔτؔ਺ɿ$VUP ff (BUF த෦େֶϩΰ த෦େֶϩΰ  𝑚 3

    𝑚 1 𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝑚 1 𝑚 2 𝐿 2,1 4PVSDF %FTUJOBUJPO 𝑚 2 𝑚 1 L2,1 (p2 , p1 ) $VUPGG(BUF -JOFBS(BUF $PSSFDU(BUF 5ISPVHI(BUF ৗʹΛग़ྗ Τοδͷ੾அ 𝐺 ( 𝐷 𝐾 𝐿 ) = 0 'PSXBSE p2 (c|x) p1 (c|x) Gate KL div
  21. w ֶश͕࣌ؒܦաͱͱ΋ʹग़ྗ஋͕ঃʑʹେ͖͘ͳΔ ήʔτؔ਺ɿ-JOFBS(BUF த෦େֶϩΰ த෦େֶϩΰ  𝑚 3 𝑚 1

    𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝑚 1 𝑚 2 𝐿 2,1 4PVSDF %FTUJOBUJPO 𝑚 2 𝑚 1 L2,1 (p2 , p1 ) $VUPGG(BUF -JOFBS(BUF $PSSFDU(BUF 5ISPVHI(BUF Gate KL div ࣌ؒͱڞʹग़ྗ͕ େ͖͘ͳΔ 𝐺 ( 𝐷 𝐾 𝐿 ) = 𝑡 𝑡 𝑚 𝑎 𝑥 ∙ 𝐷 𝐾 𝐿 'PSXBSE p2 (c|x) p1 (c|x)
  22. w ιʔεϊʔυ͕ਖ਼ղͨ͠৔߹ͷΈग़ྗ ήʔτؔ਺ɿ$PSSFDUHBUF த෦େֶϩΰ த෦େֶϩΰ  𝑚 3 𝑚 1

    𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝑚 1 𝑚 2 𝐿 2,1 4PVSDF %FTUJOBUJPO 𝑚 2 𝑚 1 L2,1 (p2 , p1 ) $VUPGG(BUF -JOFBS(BUF $PSSFDU(BUF 5ISPVHI(BUF Gate KL div ਖ਼ղͨ͠αϯϓϧͷ ৘ใͷΈ఻ୡ 𝐺 ( 𝐷 𝐾 𝐿 ) = 𝛿 ^ 𝑦 , 𝑦 𝑚 2 ∙ 𝐷 𝐾 𝐿 'PSXBSE p2 (c|x) p1 (c|x)
  23. w ͲͷΑ͏ʹ஌ࣝసҠ͢Δ͔Λ੍ޚ ήʔτؔ਺ த෦େֶϩΰ த෦େֶϩΰ  𝑚 3 𝑚 1

    𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝑚 1 𝑚 2 𝐿 2,1 4PVSDF %FTUJOBUJPO 𝑚 2 𝑚 1 L2,1 (p2 , p1 ) 'PSXBSE p2 (c|x) p1 (c|x) Gate KL div $VUPGG(BUF -JOFBS(BUF 5ISPVHI(BUF $PSSFDU(BUF
  24. w ϋΠύʔύϥϝʔλαʔνͰ஌ࣝసҠάϥϑΛ࠷దԽ  ࠷దԽख๏"TZODISPOPVT4VDDFTTJWF)BMWJOH"MHPSJUIN "4)"   ύϥϝʔλήʔτؔ਺ ิॿϊʔυ ஌ࣝసҠάϥϑͷ࠷దԽ

    த෦େֶϩΰ த෦େֶϩΰ  𝑚 3 𝑚 1 𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦 ήʔτؔ਺ • 5ISPVHI(BUF • $VUPGG(BUF • -JOFBS(BUF • $PSSFDU(BUF • 3FT/FU ධՁର৅ϊʔυ • 3FT/FU • 3FT/FU • 8JEF3FT/FU ิॿϊʔυ શ૊Έ߹Θͤ਺ɿ  ௨Γʢϊʔυ਺ͷ৔߹ʣ
  25. w ධՁର৅ϊʔυɿ 3FT/FU  w 7BOJMMBϞσϧɿ ࠷దԽʹΑͬͯ֫ಘͨ͠஌ࣝసҠάϥϑʢୈҐʣ த෦େֶϩΰ த෦େֶϩΰ 

    ิॿϊʔυ QSFUSBJOFE ิॿϊʔυ ධՁର৅ϊʔυ ॳΊ͸,%ϥΠΫͳֶशɼ࣍ୈʹ,%ʴ%.-ͳֶश͕ߦΘΕΔ ɹ૬ޓֶशɹ
  26. w ࣮ݧ֓ཁ  σʔληοτɿ$*'"3  ֶशϊʔυ਺ɿ  ࠷దԽର৅ϊʔυɿ3FT/FU ैདྷख๏ ,%

    %.- ͱͷൺֱ த෦େֶϩΰ த෦େֶϩΰ  ख๏ ೝࣝ཰<> ิॿϊʔυͷϞσϧ *OEFQFOEFOU  r ,%  3FT/FU QSFUSBJOFE %.-  3FT/FU 3FT/FU 0VST  3FT/FU QSFUSBJOFE 3FT/FU
  27. ࠷దԽʹΑͬͯ֫ಘͨ͠஌ࣝసҠάϥϑ $*'"3 த෦େֶϩΰ த෦େֶϩΰ  ϊʔυ਺ɿ  ϊʔυ਺ɿ  ϊʔυ਺ɿ

     ϊʔυ਺ɿ  ϊʔυ਺ɿ  ϊʔυ਺ɿ  *OEFQFOEFOU3FT/FU 
  28. w ஌ࣝసҠάϥϑʹΞϯαϯϒϧϊʔυͱΞςϯγϣϯϩεΛಋೖ  ΞςϯγϣϯϩεɿΤοδͷϩεʹΞςϯγϣϯϩεΛ௥Ճ  Ξϯαϯϒϧϊʔυɿ֤ϊʔυͷग़ྗΛΞϯαϯϒϧ͢Δػߏ ஌ࣝసҠάϥϑΛ༻͍ͨΞϯαϯϒϧֶश<0LBNPUP &$$7> த෦େֶϩΰ த෦େֶϩΰ

     Ξϯαϯϒϧϊʔυ ^ 𝑦 𝐿 ^ 𝑦 , 𝑒 𝑒𝑛𝑠 𝑚 1 𝑚 2 𝑚 3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝐿 ^ 𝑦 ,3 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,1 𝐿 2,1 𝐿 1,2 𝐿 3,1 𝐿 1,3 𝐿 2,3 𝐿 3,2 𝐿 i,j = 𝐾 𝐿 ( 𝒑 i , 𝒑 j) ± 𝐿 𝐴 𝑇 ( 𝑸 i , 𝑸 j ) Ξςϯγϣϯϩε
  29. w ϊʔυ͔̎Βϊʔυ̍΁ͷΞςϯγϣϯϩε  ೋͭͷϞσϧؒͷΞςϯγϣϯΛ͚ۙͮͨΓ཭͢ޮՌ Ξςϯγϣϯϩε த෦େֶϩΰ த෦େֶϩΰ  4PVSDF %FTUJOBUJPO

    𝑚 2 𝑚 1 p2 (c|x) p1 (c|x) 'PSXBSE 𝑚 1 𝑚 2 𝑚 3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝐿 ^ 𝑦 ,3 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,1 𝐿 2,1 𝐿 1,2 𝐿 3,1 𝐿 1,3 𝐿 2,3 𝐿 3,2 ,-EJW x x "UUFOUJPO "UUFOUJPO 𝑸 = 𝐶 ∑ 𝑖 =1 𝑨 𝑖 𝑝  ɿಛ௃Ϛοϓ  ɿνϟωϧ਺  ɿϊϧϜ਺ 𝑨 𝑖 𝐶 𝑝 ैདྷͷଛࣦ 𝐿 𝐴𝑇 𝐿 𝐴𝑇 ( 𝑸 2 , 𝑸 1 ) = 1 𝐽 𝐽 ∑ 𝑗 𝑸 𝑗 2 𝑸 𝑗 2 2 − 𝑸 𝑗 1 𝑸 𝑗 1 2 2 "UUFOUJPOଛࣦ (BUF 𝐿 2,1 = G( 𝐾𝐿 ( 𝒑 2 , 𝒑 1) ± 𝐿 𝐴 𝑇 ( 𝑸 2 , 𝑸 1 )) ͚ۙͮΔ ཭͢ + −
  30. w ,-EJWFSHFODFͱΞςϯγϣϯϩεΛ#BDLQSPQͯ͠ Λߋ৽ 𝑚 1 ϊʔυ̎ TPVSDF ͔Βϊʔυ̍ EFTUJOBUJPO ΁ͷ஌ࣝసҠ

    த෦େֶϩΰ த෦େֶϩΰ  𝑚 2 𝑚 1 𝑚 1 𝑚 2 𝑚 3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝐿 ^ 𝑦 ,3 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,1 𝐿 1,2 𝐿 3,1 𝐿 1,3 𝐿 2,3 𝐿 3,2 x x 4PVSDF %FTUJOBUJPO ͚ۙͮΔ ཭͢ + − 𝐿 2,1 #BDLXBSE 𝐿 2,1 = G( 𝐾𝐿 ( 𝒑 2 , 𝒑 1) ± 𝐿 𝐴 𝑇 ( 𝑸 2 , 𝑸 1 )) ,-EJW 𝐿 𝐴𝑇 (BUF "UUFOUJPO "UUFOUJPO Detach Back-prop
  31. w ΞϯαϯϒϧϊʔυΛλʔήοτϊʔυͱͯ͠࠷େԽ͢ΔΑ͏ʹ࠷దԽ  ֤ϊʔυͷग़ྗΛฏۉʹΑΓΞϯαϯϒϧ͢Δػߏ Ξϯαϯϒϧϊʔυ த෦େֶϩΰ த෦େֶϩΰ  ^ 𝑦

    𝐿 ^ 𝑦 , 𝑒 𝑒𝑛𝑠 𝑚 1 𝑚 2 𝑚 3 ^ 𝑦 ^ 𝑦 ^ 𝑦 𝐿 ^ 𝑦 ,3 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,1 𝐿 2,1 𝐿 1,2 𝐿 3,1 𝐿 1,3 𝐿 2,3 𝐿 3,2 𝑚 1 𝑚 2 𝑒𝑛𝑠 Ξϯαϯϒϧϊʔυ 𝑚 3 Ξϯαϯϒϧػߏ 𝑝 ( 𝑐 𝑥 ) = 𝑝 1 ( 𝑐 𝑥 ) + 𝑝 2 ( 𝑐 𝑥 ) + 𝑝 3 ( 𝑐 | 𝑥 ) 𝑝 1 ( 𝑐 𝑥 ) 𝑝 2 ( 𝑐 𝑥 ) 𝑝 3 ( 𝑐 𝑥 ) 𝑝 ( 𝑐 𝑥 )
  32. ଟ༷ͳΞϯαϯϒϧϞσϧ͔Βͷ஌ࣝৠཹ த෦େֶϩΰ த෦େֶϩΰ  w ஌ࣝసҠάϥϑͷΞϯαϯϒϧΛڭࢣͱͯ͠஌ࣝৠཹ  ڭࢣωοτϫʔΫɿ஌ࣝసҠάϥϑͰֶशͨ͠ෳ਺ͷ"#/ʢ3FT/FUʣ  ੜెωοτϫʔΫɿ"#/ʢ3FT/FUʣ

    ೖྗը૾ 𝒙 4UVEFOU/FUXPSL ωοτϫʔΫ 𝑚 1 𝒍 1 ( 𝒙 ) 𝒍 3 ( 𝒙 ) ωοτϫʔΫ 𝑚 3 𝒍 𝑒 𝑛 𝑠 ( 𝒙 ) 𝒑 𝑠 ( 𝒙 ) ڭࢣϥϕϧ ^ 𝑦 ஌ࣝసҠ 𝒑 𝑒 𝑛 𝑠 ( 𝒙 ) Թ౓෇͖4PGUNBYؔ਺ 5FBDIFS/FUXPSL 𝑒 𝑛 𝑠 𝑚 1 𝑚 2 𝑚 3 ஌ࣝసҠάϥϑ
  33. ஌ࣝసҠάϥϑʹΑΔڞಉֶश த෦େֶϩΰ த෦େֶϩΰ  w ஌ࣝసҠάϥϑΛఏҊ  ̐छྨͷ(BUFؔ਺ʹΑΓɺ஌ࣝసҠΛ੍ޚ͢Δ͜ͱͰଟ༷ͳڞಉֶश  ϋΠύʔύϥϝʔλαʔνʹΑΔ࠷దͳ஌ࣝసҠάϥϑΛ୳ࡧ

     ஌ࣝసҠάϥϑʹΑΔΞϯαϯϒϧֶश w ൃݟͨ͜͠ͱʢϊʔυ਺ͷ৔߹ʣ  ,%ͱ%.-͕༥߹ͨ͠஌ࣝసҠάϥϑ͸ैདྷ๏Λ௒͑Δਫ਼౓Λୡ੒ ,%ͱ%.-ͷ༥߹ͨ͠஌ࣝసҠάϥϑ 𝑚 3 𝑚 1 𝑚 2 𝐿 ^ 𝑦 ,1 𝐿 ^ 𝑦 ,2 𝐿 ^ 𝑦 ,3 𝐿 1,2 𝐿 1,3 𝐿 2,1 𝐿 3,1 𝐿 3,2 𝐿 2,3 ^ 𝑦 ^ 𝑦 ^ 𝑦
  34. ૉਓൃ૝ݰਓ࣮ߦ΁ த෦େֶϩΰ த෦େֶϩΰ  w ஌ࣝసҠάϥϑΛఏҊ஌ࣝసҠ グ ϥϑʹΑΔڞಉֶश<.JOBNJ .*36 "$$7>

     ݚڀऀ͸໰୊ઃఆͱղ͖ํΛݶఆͤ ず ɼ஌ࣝసҠΛදݱ͢ΔϑϨʔϜϫʔΫΛݚڀऀ が ઐ໳ੑΛൃ شͯ͠ઃܭ  ࠷దԽ୳ࡧΛߦ͏͜ͱ で ৽ͨͳ஌ݟΛൃݟ 4PGUXBSF ࣌୅ͷݚڀํ๏ ܭࢉػ が ๲େͳ パ ϥϝʔλۭ͔ؒΒ࢓༷Λຬͨ͢ プ ϩ グ ϥϜΛ୳ࡧ ʮૉਓൃ૝ݰਓ࣮ߦʯ ୳ࡧʹΑΓ֫ಘͨ͠৽ͨͳ஌ݟ が ࣍ͷ৽ͨͳݚڀͷ୺ॹͱͳΔ͜ͱΛظ଴ ݚڀۭؒ ͜Ε·Ͱͷݚڀ ݚ ڀ ͷ ෳ ࡶ ͞ ૉਓൃ૝ݰਓ࣮ߦ
  35. w Ұகੑਖ਼ଇԽʢ$POTJTUFODZSFHVMBSJ[BUJPOʣ  ϥϕϧͳ͠σʔλʹઁಈΛ෇༩͠ɼͦͷը૾ʹର͢ΔҰகੑΛֶश  ैདྷ๏ɿ NPEFM<-BJOF *$-3>ɼ.FBO5FBDIFS<5BSWBJOFO /FVS*14>ͳͲ w

    ٖࣅϥϕϦϯάʢ1TFVEPMBCFMJOHʣ  ༧ଌ݁ՌΛPOFIPUԽٖͯ͠ࣅϥϕϧΛϥϕϧͳ͠σʔλʹ෇༩  ϥϕϧ͋Γσʔλͱٖࣅϥϕϧ͋Γσʔλͷࠞ߹ηοτΛ༻͍ͯڭࢣ͋Γֶश  ैདྷ๏ɿ1TFVEP-BCFM<-FF *$.->ͳͲ Π ൒ڭࢣ͋Γֶशͷ୅දతͳํ๏ ϥϕϧͳ͠σʔλ ༧ଌ /FUXPSL ٖࣅϥϕϧ͋Γσʔλ ʢϥϕϧͳ͠σʔλʣ )BSEUBSHFU ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ 予測1 摂動を付与 ٖࣅϥϕϦϯά ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ 予測1 摂動を付与 Ұ؏ੑਖ਼ଇԽ ϥϕϧͳ͠σʔλ ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ 予測1 摂動を付与 ʴઁಈ ʴઁಈ ༧ଌ ༧ଌ ޡࠩ /FUXPSL 
  36. w ٖࣅϥϕϦϯάɿऑม׵࣌ͷ༧ଌ͕ᮢ஋Λ௒͑ͨ৔߹ͷΈٖࣅϥϕϧΛੜ੒  ऑม׵ɿࠨӈ൓స ฏߦҠಈ w Ұகੑଛࣦɿੜ੒ٖͨ͠ࣅϥϕϧͱڧม׵࣌ͷ༧ଌͷޡࠩ  ڧม׵ɿෳ਺छͷը૾ม׵ʹΑΔڧ͍ઁಈʢ3BOE"VHNFOU<$VCVLF $713>ʣ

    Ұகੑਖ਼ଇԽͱٖࣅϥϕϦϯάͷϋΠϒϦουɿ'JY.BUDI<4PIO /FVS*14> Ұ؏ੑଛࣦ ༧ଌ /FUXPSL ڧม׵ ऑม׵ ڭࢣ͋Γଛࣦ ϥϕϧ ༧ଌ ٖࣅϥϕϦϯά ϥϕϧ͋Γσʔλ ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ Network 予測1 予測2 摂動を付与 ϥϕϧͳ͠σʔλ )BSEUBSHFU ˠਓ͕ઃܭͨ͠૊Έ߹ΘͤͰ͋ΔͨΊ࠷దͳֶश๏ͱ͸ݶΒͳ͍ 
  37. w ਓखʹΑΒͳ͍৽͍͠൒ڭࢣ͋Γڞಉֶश๏ͷ֫ಘ w Ξϓϩʔν  ֤ैདྷ๏ΛͦΕͧΕάϥϑͰ౷Ұతʹදݱ  άϥϑදݱͷߏ੒ཁૉΛϥϯμϜʹ૊Έ߹Θͤͯߴਫ਼౓ͳֶश๏Λ୳ࡧ ຊݚڀͷ໨త 

    ɾɾɾ άϥϑදݱ NPEFM Π .FBO5FBDIFS !! !" Parameter for Exponential Moving Average KL-div ɾɾɾ NPEFM Π .FBO5FBDIFS ैདྷ๏ Network !! " +$! Network !! +$! ′ &(!! , " + $! ′) BackProp Loss Graphical representation !! !! !! &(!! , " + $! ) KL-div KL-div Network EMA(%! ) ' +)! Exponential Moving Average Network %! +)! ′ +(EMA(%! ), ' + )! ) +(%! , ' + )! ′) Loss BackProp !! !" Parameter for Exponential Moving Average Graphical representation KL-div ྫɿ NPEFM .FBO5FBDIFS Π άϥϑߏ଄ͷ୳ࡧ !! KL-div !" Parameter for Exponential Moving Average KL-div ɾɾɾ
  38. ɾɾɾ άϥϑදݱ NPEFM Π .FBO5FBDIFS !! !" Parameter for Exponential

    Moving Average KL-div ɾɾɾ NPEFM Π .FBO5FBDIFS ैདྷ๏ Network !! " +$! Network !! +$! ′ &(!! , " + $! ′) BackProp Loss Graphical representation !! !! !! &(!! , " + $! ) KL-div KL-div Network EMA(%! ) ' +)! Exponential Moving Average Network %! +)! ′ +(EMA(%! ), ' + )! ) +(%! , ' + )! ′) Loss BackProp !! !" Parameter for Exponential Moving Average Graphical representation KL-div ྫɿ NPEFM .FBO5FBDIFS Π άϥϑߏ଄ͷ୳ࡧ !! KL-div !" Parameter for Exponential Moving Average KL-div ɾɾɾ w ֤ैདྷ๏ΛͦΕͧΕάϥϑͰ౷Ұతʹදݱ  ૊Έ߹Θ͕ͤ༰қʹͳΓϋΠύʔύϥϝʔλͷΑ͏ʹௐ੔Մೳ  ϊʔυɿωοτϫʔΫ  Τοδɿଛࣦܭࢉ ैདྷͷ൒ڭࢣ͋Γֶश๏ΛάϥϑͰදݱ 
  39. w ڭࢣ͋ΓଛࣦͱҰகੑଛࣦ͕খ͘͞ͳΔΑ͏ʹֶश  ڭࢣ͋Γଛࣦɿϥϕϧ͋Γσʔλͷ༧ଌͱϥϕϧͷޡࠩ  Ұ؏ੑଛࣦɹɿϥϕϧͳ͠σʔλʹҟͳΔઁಈΛ෇༩ͨ࣌͠ͷ༧ଌؒͷޡࠩ ઁಈɿ%SPQPVUɼը૾ม׵ Ұகਖ਼ଇԽͷ୅දతͳख๏ɿ NPEFM<-BJOF *$-3>

    Π Ұகੑଛࣦ ༧ଌ /FUXPSL ڭࢣ͋Γଛࣦ ϥϕϧ ༧ଌ ϥϕϧ͋Γσʔλ ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ Network 予測1 予測2 摂動を付与 ϥϕϧͳ͠σʔλ ʴઁಈ ʴઁಈ )BSEUBSHFU ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ 予測1 摂動を付与 
  40. w Ұகੑଛࣦɿ࢝఺ͷϊʔυͱऴ఺ͷϊʔυ͕ಉ͡ΤοδͰදݱ  ,-EJWFSHFODFʢ,-EJWʣͰ༧ଌؒͷޡࠩΛܭࢉ NPEFMΛάϥϑͰදݱ Π KL(f(x), f(x′  ))

    = C ∑ i fi (x)log fi (x) fi (x′  ) NPEFM Π άϥϑදݱ ɿ֬཰෼෍ʢ༧ଌ֬཰ʣ ɿΫϥε਺ f(x), f(x′  ) C Network !! " +$! Network !! +$! ′ &(!! , " + $! ′) BackProp Loss Graphical representation !! !! !! &(!! , " + $! ) KL-div KL-div 
  41. w NPEFMʹࢦ਺Ҡಈฏۉʢ&."ʣωοτϫʔΫΛಋೖֶͯ͠श  ҰகੑଛࣦɿωοτϫʔΫͱ&."ωοτϫʔΫʹ͓͚Δ༧ଌؒͷޡࠩ  &."ωοτϫʔΫͷॏΈ͸ωοτϫʔΫͷॏΈΛՃࢉ͢Δ͜ͱͰߋ৽ ॏΈύϥϝʔλͷΞϯαϯϒϧʹΑΓߴ͍ੑೳΛൃش͠ɼֶशΛิॿ Π Ұகੑਖ਼ଇԽͷ୅දతͳख๏ɿ.FBO5FBDIFS<5BSWBJOFO /FVS*14>

    ڭࢣ͋Γଛࣦ ϥϕϧ ϥϕϧ͋Γσʔλ ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ Network 予測1 予測2 摂動を付与 )BSEUBSHFU Ұகੑଛࣦ ༧ଌ /FUXPSL ༧ଌ ϥϕϧͳ͠σʔλ ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ Network 予測1 摂動を付与 ڭࢣ͋Γଛࣦ ϥϕϧ ! " #$ % & ' ( ) *+, -./ ㎯1㌪刷 卡䇦 6〱 ! " #8 9 & ' ( ) *+, -./ 卡䇦: 卡䇦; ㏗俍> 冊卥 ϥϕϧ͋Γ σʔλ POFIPU ! " #$ % & ' ( ) *+, -./ ㎯1㌪刷 卡䇦 6〱 ㏗俍> 冊卥 ϥϕϧͳ͠ σʔλ /FUXPSL ! " #$ % & ' ( ) *+, -./ ㎯1㌪刷 卡䇦 6〱 ! " #8 9 & ' ( ) *+, -./ 卡䇦: ㏗俍> 冊卥 ! " #$ % & ' ( ) *+, -./ ㎯1㌪刷 卡䇦 6〱 ! " #$ % & ' ( ) *+, -./ ㎯1㌪刷 卡䇦 6〱 ༧ଌ ༧ଌ Ұ؏ੑଛࣦ ڭࢣ͋Γଛࣦ ϥϕϧ ! " #$ % & ' ( ) *+, -./ ㎯1㌪刷 卡䇦 6〱 ! " #8 9 & ' ( ) *+, -./ 卡䇦: 卡䇦; ㏗俍> 冊卥 ϥϕϧ͋Γ σʔλ POFIPU ! " #$ % & ' ( ) *+, -./ ㎯1㌪刷 卡䇦 6〱 ! " #8 9 & ' ( ) *+, -./ 卡䇦: 卡䇦; ㏗俍> 冊卥 ϥϕϧͳ͠ σʔλ /FUXPSL ! " #$ % & ' ( ) *+, -./ ㎯1㌪刷 卡䇦 6〱 ! " #8 9 & ' ( ) *+, -./ 卡䇦: 卡䇦; ㏗俍> 冊卥 ! " #$ % & ' ( ) *+, -./ ㎯1㌪刷 卡䇦 6〱 ! " #8 9 & ' ( 卡䇦: ㏗俍> 冊卥 ! " #$ % & ' ( ) *+, -./ ㎯1㌪刷 卡䇦 6〱 ! " #8 9 & ' ( 卡䇦: ㏗俍> 冊卥 ༧ଌ ༧ଌ Ұ؏ੑଛࣦ ʴઁಈ ʴઁಈ /FUXPSL 
  42. w &."ωοτϫʔΫʹՃࢉ͢Δύϥϝʔλͷํ޲ΛΤοδͰදݱ  &."ωοτϫʔΫɿύϥϝʔλ ͷࢦ਺Ҡಈฏۉ஋ Ͱߋ৽ θ1 EMA(θ1 ) .FBO5FBDIFSΛάϥϑͰදݱ

    EMA(θ1,t ) = αEMA(θ1,t−1 ) + (1 − α)θ1,t ɿϋΠύʔύϥϝʔλ ɿֶशεςοϓ α t .FBO5FBDIFS άϥϑදݱ Network EMA(%! ) ' +)! Exponential Moving Average Network %! +)! ′ +(EMA(%! ), ' + )! ′) +(%! , ' + )! ) Loss BackProp !! !" Parameter for Exponential Moving Average Graphical representation KL-div 
  43. w ϥϕϧͳ͠σʔλʹٖࣅϥϕϧΛ෇༩ֶͯ͠श  ֶशং൫͸ϥϕϧ͋ΓσʔλͷΈΛ༻͍ͯڭࢣ͋Γֶश  ༧ଌΛ΋ͱʹϥϕϧͳ͠σʔλʹٖࣅϥϕϧΛ෇༩ʢ·ͨ͸ߋ৽ʣ  ϥϕϧ͋Γσʔλͱٖࣅϥϕϧ͋Γσʔλͷࠞ߹ηοτΛ༻͍ͯڭࢣ͋Γֶश  ̎ͱ̏Λ܁Γฦ͢

    ϥϕϧ ༧ଌ ޡࠩ /FUXPSL   ٖࣅϥϕϧ ͋Γσʔλ ࠞ߹ηοτ ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ Network 予測1 摂動を付与 ϥϕϧ͋Γ σʔλ ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ Network 予測1 予測2 摂動を付与  ٖࣅϥϕϧ͋Γσʔλ )BSEUBSHFU ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ Network 予測1 予測2 摂動を付与 ϥϕϧͳ͠σʔλ ༧ଌ /FUXPSL ラベルありデータ Network 正解情報 予測 誤差 ラベルなしデータ Network 予測1 予測2 摂動を付与 ٖࣅϥϕϦϯάͷ୅දతͳख๏ɿ1TFVEP-BCFM<-FF *$.-> 
  44. w ٖࣅϥϕϧʹର͢Δ༧ଌͷޡࠩΛٻΊΔ1TFVEP-PTTʹΑΓΤοδͰදݱ  1TFVEP-PTTɿٖࣅϥϕϧͱ༧ଌ֬཰ͷޡࠩ 1TFVEP-BCFMΛάϥϑͰදݱ <latexit sha1_base64="9XwaGSKqylX1+h8MvKMwyXtmIvQ=">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</latexit> Lpse(x) = E

    xy0logf(✓1, x + ⇣0 1 ) <latexit sha1_base64="9XwaGSKqylX1+h8MvKMwyXtmIvQ=">AAACqXichVFNTxNBGH5Yv6B+UORi4qWxQUqAZtYQNCQmRDTx4IGChUaWbGaHabth9iO706Zls3+AP+DBEybGqD/Di0cuHOo/MB4x8eLBt9tNCBL1nczMM8+8zzvPzDihcmPN2GDMuHT5ytVr4xOF6zdu3posTt3eioNOJGRdBCqIGg6PpXJ9WdeuVrIRRpJ7jpLbzv7acH+7K6PYDfyXuh/KXY+3fLfpCq6JsotPLY/rtuAqeZHaSRjLtNKbe7yYsY6TPEvtXn82sSKvpIJW2qxYui01t82FUm/eOsjg7JxdLLMqy6J0EZg5KCOP9aD4Hhb2EECgAw8SPjRhBY6Y2g5MMITE7SIhLiLkZvsSKQqk7VCWpAxO7D6NLVrt5KxP62HNOFMLOkVRj0hZwgw7YR/YKfvCPrFv7NdfayVZjaGXPs3OSCtDe/LwzubP/6o8mjXaZ6p/etZo4lHm1SXvYcYMbyFG+u7B69PNlY2Z5D57y76T/yM2YJ/pBn73h3hXkxtvUKAPMP987otg60HVXK4u1ZbKq0/yrxjHXdxDhd77IVbxHOuo07kfcYwBvhrzRs1oGK9GqcZYrpnGuTDEb06spCc=</latexit> Lpse(x) = E xy0logf(✓1, x + ⇣0 1 ) <latexit sha1_base64="9XwaGSKqylX1+h8MvKMwyXtmIvQ=">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</latexit> Lpse(x) = E xy0logf(✓1, x + ⇣0 1 ) 1TFVEP-BCFM άϥϑදݱ ωοτϫʔΫ͕̎ͭͷ৔߹ Network !! or !" Pseudo-Labeling one-hot Network !! " +$! +$! ′ &(!! , " + $! ) Loss PseudoLoss !! !! !" PseudoLoss Graphical representation or BackProp 
  45. w ධՁର৅ϊʔυͷਫ਼౓͕࠷େԽ͢ΔΑ͏ʹάϥϑߏ଄Λ࠷దԽ  ิॿϊʔυɿධՁର৅ϊʔυͷֶशΛαϙʔτ Losses: ・KL-divergence ・PseudoLoss Gate functions: ・Through

    Gate ・Cutoff Gate ・Linear Gate ・Threshold Gate Explore space: Models: ・ResNet32 ・WideResNet28-2 ・WideResNet28-6 ・EMA model Edge Node Backprop Detach Gate Loss ⋅ ධՁର৅ϊʔυ ิॿϊʔυ άϥϑ࠷దԽʹΑΔ൒ڭࢣ͋Γਂ૚ڞಉֶश๏ͷ୳ࡧ 
  46. ධՁ݁Ռ ϥϕϧ͋Γσʔλ਺        

      BMM 4VQFSWJTFE       1TFVEP-BCFM             .FBO5FBDIFS       'JY.BUDI       0VST ϊʔυ       0VST ϊʔυ       NPEFM Π ਖ਼ղ཰<> ˠϥϕϧ͋Γσʔλ਺ʹΑͬͯ࠷దͳ൒ڭࢣ͋Γֶश๏͸ҟͳΔ ଟ͍৔߹ʢ   ʣɿ1TFVEP-BCFM͕ߴਫ਼౓ গͳ͍৔߹ʢ ʙ ʣɿ NPEFM .FBO5FBDIFS͕ߴਫ਼౓ Π 
  47. ධՁ݁Ռ ϥϕϧ͋Γσʔλ਺        

      BMM 4VQFSWJTFE       1TFVEP-BCFM             .FBO5FBDIFS       'JY.BUDI       0VST ϊʔυ       0VST ϊʔυ       NPEFM Π ਖ਼ղ཰<> ˠैདྷ๏ͱൺ΂୳ࡧͨ͠ख๏ʢ0VSTʣͷਫ਼౓͕࠷΋ߴ͍ ʴ̒ ʴ 
  48. w ϊʔυ਺ɿ̎ɼϥϕϧ͋Γσʔλ਺ɿ ʢগͳ͍ʣ  ਖ਼ղ཰ɿ<> ࠷దԽͨ͠άϥϑߏ଄ɿֶशܦաʹ͓͚Δ܏޲<> (BUFؔ਺ ֶशํ๏ 1. ResNet32

    (55.94%) Linear 2. WRN28_6 (57.81%) Linear Linear Label Through Label Through 1. ResNet32 (55.94%) Consistency 2. WRN28_6 (57.81%) KD Consistency Label Supervised Label Supervised ڭࢣ͋Γֶश ڭࢣ͋Γֶश ֶशং൫ɿݸʑͷϊʔυͰಠཱʹڭࢣ͋Γֶश 
  49. w ϊʔυ਺ɿ̎ɼϥϕϧ͋Γσʔλ਺ɿ ʢগͳ͍ʣ  ਖ਼ղ཰ɿ<> ࠷దԽͨ͠άϥϑߏ଄ɿֶशܦաʹ͓͚Δ܏޲<> (BUFؔ਺ ֶशํ๏ 1. ResNet32

    (55.94%) Linear 2. WRN28_6 (57.81%) Linear Linear Label Through Label Through ֶशং൫ɿݸʑͷϊʔυͰಠཱʹڭࢣ͋Γֶश 1. ResNet32 (55.94%) Consistency 2. WRN28_6 (57.81%) KD Consistency Label Supervised Label Supervised ˠֶशલ൒ͱޙ൒ͰҟͳΔֶशઓུ͕ޮՌత ֶशऴ൫ɿݸʑͷϞσϧ͕ NPEFMʹΑΔֶशʹมԽͭͭ͠ɼ̎൪ϊʔυ͔Βৠཹ Π NPEFM Π NPEFM Π ৠཹ 
  50. w ϊʔυ਺ɿ̎ɼϥϕϧ͋Γσʔλ਺ɿ ʢଟ͍ʣ  ਖ਼ղ཰ɿ<> ࠷దԽͨ͠άϥϑߏ଄ɿֶशܦաʹ͓͚Δ܏޲<> (BUFؔ਺ ֶशํ๏ 1. ResNet32

    (62.76%) Linear 2. WRN28_6 (60.4%) Through 1. ResNet32 (62.76%) Consistency 2. WRN28_6 (60.4%) PseudoLabeling ֶशࡁΈϞσϧ ٖࣅϥϕϦϯά ֶशং൫ɿࣄલֶशϞσϧͷٖࣅϥϕϦϯάͰֶश NPEFM Π ֶशऴ൫ɿٖࣅϥϕϦϯάͱ NPEFMͰֶश Π ˠֶशऴ൫ʹҰகੑਖ਼ଇԽʢ NPEFMʣͰֶश͢Δ͜ͱ͕ޮՌత Π 
  51. ֶशܦաʹ͓͚Δ܏޲ɿ6."1ʹΑΔՄࢹԽ FQPDI FQPDI 1. ResNet32 (62.76%) Consistency 2. WRN28_6 (60.4%)

    PseudoLabeling ֶशࡁΈϞσϧ ٖࣅϥϕϦϯά NPEFM Π ˠֶशޙ൒ͷҰகੑਖ਼ଇԽʢ NPEFMʣʹΑΓΫϥελԽ͕ਐΉ Π 1. ResNet32 (62.76%) Consistency 2. WRN28_6 (60.4%) PseudoLabeling ֶशࡁΈϞσϧ ٖࣅϥϕϦϯά 
  52. w ϥϕϧ͋Γσʔλ͕গͳ͍ʢ ຕʣ৔߹ ࠷దԽͨ͠άϥϑߏ଄ɿϥϕϧ͋Γσʔλ਺ʹ͓͚Δ܏޲<> 4,000 label 2,000 label 6,000 label

    1. ResNet32 (55.94%) Consistency 2. WRN28_6 (57.81%) KD Consistency Label Supervised Label Supervised <> <> ֶशํ๏ʢϊʔυ਺̎ʣ ֶशํ๏ʢϊʔυ਺̏ʣ ϥϕϧ͋Γσʔλ͕গͳ͍৔߹ɿ Ұகੑਖ਼ଇԽʢ NPEFMʣͱৠཹʢ૬ޓֶशʣ͕ޮՌత Π ৠཹ NPEFM Π NPEFM Π NPEFM Π .FBO5FBDIFS ૬ޓֶश 
  53. w ϥϕϧ͋Γσʔλ͕ଟ͍ʢ ຕʣ৔߹ ࠷దԽͨ͠άϥϑߏ଄ɿϥϕϧ͋Γσʔλ਺ʹ͓͚Δ܏޲<> ֶशํ๏ʢϊʔυ਺̎ʣ ֶशํ๏ʢϊʔυ਺̏ʣ <> <> Gate関数 学習方法

    Gate function Learning method 1. ResNet32 (62.76%) Consistency 2. WRN28_6 (60.4%) PseudoLabeling ֶशࡁΈϞσϧ ٖࣅϥϕϦϯά ٖࣅϥϕϦϯά ϥϕϧ͋Γσʔλ͕ଟ͍৔߹ɿ ˠධՁର৅ϊʔυ͸ٖࣅϥϕϦϯάΛ༻ֶ͍ͯश 
  54. w ϊʔυ਺ͷ৔߹ ࠷దԽͨ͠άϥϑߏ଄ɿϊʔυ਺͕ଟ͍࣌ͷ܏޲ ֶशํ๏ ʢϥϕϧ͋Γσʔλ ຕʣ ֶशํ๏ ʢϥϕϧ͋Γσʔλ ຕʣ <>

    <> Gate関数 学習方法 Gate function Learning method label 6,000 label 10,000 label 8,000 label .FBO5FBDIFS .FBO5FBDIFS ૬ޓֶश ิॿϊʔυ͸.FBO5FBDIFSΛ಺แˠࢦ਺ҠಈฏۉϞσϧͰΑΓྑ͍5FBDIFSΛֶश ϊʔυ਺͕ଟ͍৔߹͸.FBO5FBDIFSͰิॿϊʔυΛվળ͢Δ͜ͱ͕ޮՌత ɹˠ൒ڭࢣ͋Γڞಉֶश 
  55. w ධՁର৅ϊʔυʹରͯ͠खಈͰΤοδΛ௥Ճ  ϥϕϧ͔ΒͷΤοδɹɹɹɹɹɹɿڭࢣ͋Γֶश  ධՁର৅ϊʔυ͔Β̎΁ͷΤοδɿ.FBO5FBDIFSͱͷ૬ޓֶश ୳ࡧͰಘͨ஌ݟΛ׆͔ͨ͠खಈઃܭʹΑΔߋͳΔվળ ख࡞ۀͰઃܭͨ͠άϥϑʢʣ ୳ࡧͰ֫ಘͨ͠άϥϑʢʣ QU޲্

    ୳ࡧͰಘͨάϥϑͱ஌ݟΛ׆͔͠खಈઃܭͰ͞Βʹվળ .FBO5FBDIFSͰิॿϊʔυΛվળͭͭ͠ ٖࣅϥϕϦϯάͰֶश .FBO5FBDIFSͰิॿϊʔυΛվળͭͭ͠ ٖࣅϥϕϦϯάͰ NPEFMͱ૬ޓֶश Π ֶशํ๏ ֶशํ๏ 学習方法 n Learning method .FBO5FBDIFS ٖࣅϥϕϦϯά Gate関数 学習方法 Gate function Learning method .FBO5FBDIFS ٖࣅϥϕϦϯά Ұ؏ੑਖ਼ଇԽ ૬ޓֶश 'FFECBDL ڭࢣ͋Γֶश -BCFM 
  56. w άϥϑ୳ࡧʹΑΓ৽͍͠൒ڭࢣ͋Γڞಉֶश๏Λ୳ࡧ  άϥϑ୳ࡧʹΑΓಘΒΕͨޮՌతͳ൒ڭࢣ͋Γڞಉֶशʹ͓͚Δ஌ݟ  ֶशͷܦաͱͱ΋ʹֶशઓུΛมԽͤ͞Δ͜ͱͰߴਫ਼౓Խ ֶशޙ൒ʹҰ؏ੑਖ਼ଇԽʢ NPEFMʣΛߦ͏͜ͱ͕༗ޮ  ϥϕϧ͋Γσʔλ਺͝ͱʹ࠷దͳֶशઓུ͸ҟͳΔ

    ϥϕϧ͋Γσʔλ͕ଟ͍৔߹͸ٖࣅϥϕϦϯάͰͷֶश͕༗ޮɹ  ෳ਺ϞσϧΛ༻͍ͨڞಉֶश͸൒ڭࢣ͋Γֶशʹ΋༗ޮ ϊʔυ਺͕ଟ͍৔߹͸.FBO5FBDIFSͰิॿϊʔυΛվળ͢Δ͜ͱͰޮՌతͳ൒ڭࢣ͋ΓڞಉֶशΛ࣮ݱ  ୳ࡧͰಘͨάϥϑͱ஌ݟΛ׆͔͠खಈઃܭͰ͞Βʹվળ ϊʔυ਺ɼϥϕϧ͋Γσʔλ਺ ͷ୳ࡧͰಘͨάϥϑͷਫ਼౓ΛखಈઃܭͰQUվળ Π ·ͱΊɿ஌ࣝసҠάϥϑʹΑΔ࠷దͳ൒ڭࢣ͋Γਂ૚ڞಉֶशͷ୳ࡧ 
  57. ૉਓൃ૝ݰਓ࣮ߦ த෦େֶϩΰ த෦େֶϩΰ  ʲϑΣϩʔ͔Βͷϝοηʔδʳ ৘ใɾγεςϜιαΠΤςΟࢽ ୈ 26 רୈ 4

    ߸ʢ௨ר 105 ߸ʣ ૉਓൃ૝ݰਓ࣮ߦ 2.0 ϑΣϩʔ ౻٢ ߂࿱ த෦େֶ ʮண؟େہணखখہɼૉਓൃ૝ݰਓ࣮ߦʯ͸ɼ 2006 ೥ 8 ݄ʹࡏ֎ݚڀͰถࠃΧʔωΪʔϝϩϯ େֶϩϘοτ޻ֶݚڀॴʹ 1 ೥ؒ଺ࡏ͠ɼؼࠃ ͷࡍʹۚग़෢༤ઌੜ͔Β௖͍ͨݴ༿Ͱ͋Δɽ ʮૉ ਓൃ૝ݰਓ࣮ߦʯͱ͸ɼ ۚग़ઌੜͷஶॻ [1] ʹΑ Δͱɼ ʮൃ૝͸୯७ɼૉ௚ɼࣗ༝ɼ؆୯Ͱͳ͚Ε ͹ͳΒͳ͍ɽ͔͠͠ɼൃ૝Λ࣮ߦʹҠ͢ʹ͸஌ ͕͍ࣝΔɼख़࿅͞Εٕ͕͍ͨΔʯͱ͍͏͜ͱͰ ͋Δɽචऀ͸ͦΕҎདྷɼ͜ͷݴ༿ΛϞοτʔʹ ͯ͠ݚڀʹऔΓ૊ΜͰ͍Δɽ ͔͠͠ɼ ʮݴ͏͸қ ͘ɼߦ͏͸೉͠ʯͷయܕͰ͋Γɼ࣮ફ͢Δͷ͸ ͳ͔ͳ͔೉͍͠ɽଟ͘ͷ࿦จΛಡΜͰ͍͘ͱ஌ ͕ࣝਂ·Γઐ໳ੑ͸ߴ͘ͳΔ͕ɼͦΕ͕োนͱ ͳͬͯɼຊ࣭Ͱ͸ͳ͘খ͞ͳ͜ͱʹண໨ͨ͠໰ ୊ઃఆΛߦ͍͕ͪͰ͋Δɽ·ͨɼຊ࣭Λଊ͑ͯ ΋޻෉Λ۪ͤͣ௚ʹ࣮૷͢Δͱ͏·͘ಈ͔ͳ͍ ͜ͱ͕͋Δɽ ຊߘͰ͸ɼ ໿ 10 ೥Λܦͯʮૉਓൃ ૝ݰਓ࣮ߦʯʹগ͚͚ͩۙͮͨ͠ͷͰ͸ͱࢥ͏ චऀΒͷݚڀ 2 ྫʹ͍ͭͯ঺հ͠ɼ࠷ۙɼࣗ෼ ͳΓʹࢥ͍ඳ͘ʮૉਓൃ૝ݰਓ࣮ߦʯͷΞοϓ σʔτΛڞ༗͍ͨ͠ɽ 2010 ೥ࠒɼը૾ؒͷରԠ఺ϚονϯάͷͨΊ ͷಛ௃఺ݕग़ɾهड़ͷݚڀ͕ଟ͘औΓ૊·Εͯ ͍ͨɽதͰ΋ɼࣹӨมԽΛ൐͏ը૾ؒͷରԠ఺ Ϛονϯά͸ɼΩʔϙΠϯτͷಛ௃Λදݱ͢Δ ΞϑΟϯྖҬΛٻΊΔඞཁ͕͋Γɼ೉͍͠໰୊ Ͱ͋ͬͨɽैདྷख๏Ͱ͸ɼΩʔϙΠϯτʹର͠ ͯҰͭͷΞϑΟϯྖҬ͔͠ਪఆ͠ͳ͍ͨΊɼը ૾ͷมܗ΍ΩʔϙΠϯτͷҐஔͣΕͷӨڹʹΑ ΓҟͳΔΞϑΟϯྖҬΛਪఆͯ͠͠·͏ͱ͍͏ ໰୊͕͋ͬͨɽ͜Ε͸ɼہॴత୳ࡧΛߦ͏͜ͱ ͕ݪҼͰ͋Γɼ ʮண؟খہணखখہʯͱݴ͑Δɽ 2015 ೥ʹචऀΒ͕ࠃࡍձٞ ICCV ʹͯൃදͨ͠ ʮඇ౳ํੑ LoG ϑΟϧλʹΑΔෳ਺ͷΞϑΟϯ ྖҬͷਪఆʯ [2] Ͱ͸ɼ༷ʑͳପԁܗঢ়ͷඇ౳ํ ੑ LoG ϑΟϧλΛ༻͍ͯෳ਺ͷΞϑΟϯྖҬΛ ਪఆ͢Δ͜ͱΛఏҊͨ͠ɽγϯϓϧʹɼҰͭͰ ͸ͳ͘ෳ਺ͷྖҬ͕͋ͬͯ΋Α͍ͷͰ͸ɼͱ͍ ͏ʮૉਓൃ૝ʯͰ͋Δɽ ͔͠͠ɼ ͍࣮͟૷ͱͳΔ ͱɼ ඇ౳ํੑ LoG ϑΟϧλʹ͸ x ํ޲ͷεέʔ ϧɼy ํ޲ͷεέʔϧɼճస֯ͷ 3 ύϥϝʔλ ͕͋Γɼͦͷ૊Έ߹Θͤ͸਺ઍछྨͱͳΔɽෳ ਺ͷΞϑΟϯྖҬΛਪఆ͢ΔͨΊɼযΔ͕༨Γ ͜ͷ਺ઍछྨͷϑΟϧλશͯΛ৞ΈࠐΉॲཧΛ ͜ͷ··ߦ͏ͱɼ๲େͳܭࢉίετ͕ඞཁͱͳ Δɽ ͦ͜Ͱɼ ʮݰਓ࣮ߦʯͱͯ͠ɼ਺ઍछྨͷඇ ౳ํੑ LoG ϑΟϧλ܈Λಛҟ஋෼ղʹΑΓٻ Ίͨ 14 छྨͷݻ༗ϑΟϧλͰۙࣅ͠ɼ৞Έࠐ ΈॲཧΛޮ཰తʹܭࢉ͢Δ͜ͱʹͨ͠ɽ͜Εʹ ΑΓɼෳ਺ͷΞϑΟϯྖҬΛޮ཰తʹٻΊΔ͜ ͱ͕Ͱ͖ɼࣹӨมԽΛ൐͏ը૾ؒͷରԠ఺Ϛο νϯάͷߴਫ਼౓ԽΛ࣮ݱͨ͠ɽ͜ͷݚڀʹ͓͍ ͯɼ ʮૉਓൃ૝ݰਓ࣮ߦʯͷݴ༿͕ݚڀͷํ޲ੑ ΍ਐΊํΛܾΊΔखॿ͚Λͯ͘͠ΕͨΑ͏ʹࢥ ͑ɼ2006 ೥͔Β໿ 10 ೥ΛܦͯɼΑ͏΍͘ʮૉ ਓൃ૝ݰਓ࣮ߦʯʹҰา͚ۙͮͨͱࢥ͑Δݚڀ Ͱ͋ͬͨɽ͜ͷݚڀҎޙ΋ɼৗʹɼૉਓൃ૝Ͱ ݰਓ࣮ߦʹͳ͍ͬͯΔ͔Λࣗ໰ࣗ౴͠ͳ͕Βݚ ڀʹऔΓ૊ΜͰདྷͨɽ 2012 ೥Ҏ߱ɼਂ૚ֶश͕ओମͱͳͬͨίϯϐ 16 IUUQTXXXKTUBHFKTUHPKQBSUJDMFJFJDFJTTKPVSOBM@@BSUJDMFDIBSKB
  58. ίϯϐϡʔλϏδϣϯ࠷લઢ த෦େֶϩΰ த෦େֶϩΰ  IUUQTXXXLZPSJUTVQVCDPKQCPPLEFUBJM ίϯϐϡʔλϏδϣϯ࠷લઢ Spring 2022 ʗר಄ݴ 5

    ר಄ݴ Spring 2022 Visual HullతνϡʔτϦΞϧͷεεϝ ˙౻٢߂࿱ 2000 ೥લޙʹऔΓ૊·Ε͍ͯͨίϯϐϡʔλϏδϣϯͷΞϧΰϦζϜͰ͋Δ ࢹମੵަࠩ๏ʢvisual hullʣΛ͝ଘ஌ͩΖ͏͔ɻࢹମੵަࠩ๏͸ɼLaurentini ͕ఏҊͨ͠ Shape-from-silhouette ʹΑΔ 3D ࠶ߏ੒ख๏Ͱ͋Δɻ·ͣɼΧϝ ϥࢹ఺͔ΒγϧΤοτը૾1) Λ༻͍ͯ෮ݩର৅ͷΦϒδΣΫτΛ౤Өͨ͠γϧ 1) γϧΤοτը૾ͷલܠϚεΫ ͸ɼ෮ݩରԠͰ͋ΔΦϒδΣ Ϋτͷ 2 ࣍ݩ౤ӨͰ͋Δɻ Τοτԁਲ਼Λ࡞੒͢ΔɻҟͳΔࢹ఺ͰࡱӨͨ͠γϧΤοτը૾͔Βੜ੒͞Εͨ ԁਲ਼ͷަ఺͸ Visual Hull ͱݺ͹Εɼ͜ͷަ఺ΛٻΊΔ͜ͱͰΦϒδΣΫτͷ 3 ࣍ݩܗঢ়ͷ෮ݩ͕ՄೳͱͳΔɻਤ 1 ͸ɼCV ͳΒͼʹ CG քͰ༗໊ͳ “Stanford Bunny” ʢhttp://graphics.stanford.edu/data/3Dscanrep/ʣ ͱݺ͹ΕΔ 3D Φ ϒδΣΫτΛ෮ݩͨ͠ྫͰ͋Δɻগͳ͍ࢹ఺ͷγϧΤοτը૾͔Β෮ݩͨ͠ 3 ࣍ݩܗঢ়͸ɼຊདྷͷόχʔͷ 3 ࣍ݩܗঢ়ʹͳ͍ͬͯͳ͍ɻҰํͰɼଟ਺ͷҟͳΔ ࢹ఺ͷγϧΤοτը૾Λ༻͍Δͱɼਖ਼֬ͳ 3 ࣍ݩܗঢ়Λ෮ݩ͢Δ͜ͱ͕Ͱ͖Δɻ ͜Ε͸ɼݪஶ࿦จΛಡΉ͜ͱʹ͓͍ͯ΋ಉ༷Ͱ͋Δͱࢲ͸ࢥ͏ɻ࿦จͷຊ࣭ ͕Ͳ͜ʹ͋Δ͔Λਂ͘ཧղ͢Δʹ͸ɼҰࢹ఺͔ΒಡΈࠐΉͷͰ͸ͳ͘ɼҟͳΔ (a) 3 ࢹ఺ (b) 80 ࢹ఺ ʜ A B C A B C γϧΤοτը૾ ෮ݩ݁Ռ ਤ 1 ࢹମੵަࠩ๏ʢvisual hullʣ ɻhttp://www.sanko-shoko.net/note.php? id=tjly ͷίʔυΛར༻ͯ͠࡞੒ɻ ί ϯϐϡʔλ Ϗδϣ ϯ࠷લઢɹ 4QSJOH Ҫ৲ળٱɾ ڇٱ঵޹ɾ ยԬ༟༤ɾ ౻٢߂࿱ฤ IUUQTXXXLZPSJUTVQVCDPKQCPPLEFUBJM
  59. ػց஌֮ϩϘςΟΫεݚڀάϧʔϓ த෦େֶϩΰ த෦େֶϩΰ ڭत ౻٢߂࿱ Hironobu Fujiyoshi E-mail: [email protected] 1997೥

    த෦େֶେֶӃത࢜ޙظ՝ఔमྃ, 1997೥ ถΧʔωΪʔϝϩϯେֶϩϘοτ޻ֶݚڀॴPostdoctoral Fellow, 2000೥ த෦େֶ޻ֶ෦৘ใ޻ֶՊߨࢣ, 2004೥ த෦େֶ।ڭत, 2005೥ ถΧʔωΪʔϝϩϯେֶϩϘοτ޻ֶݚڀॴ٬һݚڀһ(ʙ2006೥), 2010೥ த෦େֶڭत, 2014೥໊ݹ԰େֶ٬һڭत.
 ܭࢉػࢹ֮ɼಈը૾ॲཧɼύλʔϯೝࣝɾཧղͷݚڀʹैࣄɽ
 ϩϘΧοϓݚڀ৆(2005೥)ɼ৘ใॲཧֶձ࿦จࢽCVIM༏ल࿦จ৆(2009೥)ɼ৘ใॲཧֶձࢁԼه೦ݚڀ৆(2009೥)ɼը૾ηϯγϯάγϯϙδ΢Ϝ༏लֶज़৆(2010, 2013, 2014೥) ɼ ిࢠ৘ใ௨৴ֶձ ৘ใɾγεςϜιαΠΤςΟ࿦จ৆(2013೥)ଞ ڭत ࢁԼོٛ Takayoshi Yamashita E-mail:[email protected] 2002೥ ಸྑઌ୺Պֶٕज़େֶӃେֶത࢜લظ՝ఔमྃ, 2002೥ ΦϜϩϯגࣜձࣾೖࣾ, 2009೥ த෦େֶେֶӃത࢜ޙظ՝ఔमྃ(ࣾձਓυΫλʔ), 2014೥ த෦େֶߨࢣɼ2017 ೥ த෦େֶ।ڭतɼ2021೥ த෦େֶڭतɽ
 ਓͷཧղʹ޲͚ͨಈը૾ॲཧɼύλʔϯೝࣝɾػցֶशͷݚڀʹैࣄɽ
 ը૾ηϯγϯάγϯϙδ΢Ϝߴ໦৆(2009೥)ɼిࢠ৘ใ௨৴ֶձ ৘ใɾγεςϜιαΠΤςΟ࿦จ৆(2013೥)ɼిࢠ৘ใ௨৴ֶձPRMUݚڀձݚڀ঑ྭ৆(2013೥)ड৆ɽ ߨࢣ ฏ઒ཌྷ Tsubasa Hirakawa E-mail:[email protected] 2013೥ ޿ౡେֶେֶӃത࢜՝ఔલظऴྃɼ2014೥ ޿ౡେֶେֶӃത࢜՝ఔޙظೖֶɼ2017೥ த෦େֶݚڀһ (ʙ2019೥)ɼ2017೥ ޿ౡେֶେֶӃത࢜ޙظ՝ఔमྃɽ2019 ೥ த෦େֶಛ೚ॿڭɼ2021೥ த෦େֶߨࢣɽ2014೥ ಠཱߦ੓๏ਓ೔ຊֶज़ৼڵձಛผݚڀһDC1ɽ2014೥ ESIEE Paris٬һݚڀһ (ʙ2015೥)ɽ ίϯϐϡʔλϏδϣϯɼύλʔϯೝࣝɼҩ༻ը૾ॲཧͷݚڀʹैࣄ