自然言語処理研究室B4ゼミ_05th

Transcript

1. 自然言語処理研究室 B4 Seminar ２０１４年度 第1週 論文紹介 大規模素性集合に対する 教師あり縮約モデリング 長岡技術科学大学 B4 竹野 峻輔
2. 鈴木潤 and 永田昌明, “大規模素性集合に対する教師あり縮約モ デリング,” in 言語処理学会 第20回年次大会 発表論文集, 2014, pp. 1063–1066. Jun Suzuki and Masaaki Nagata. Supervised model learning with feature grouping based on a discrete constraint. In Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers), pages 18–23, Sofia, Bulgaria, August 2013. Association for Computa- tional Linguistics. A7：機械学習, 3/20(木) 他 受賞者多 • 村岡雅康, 島岡聖世, 山本風人, 渡邉陽太郎, 岡崎直観, and 乾健太郎, “係り受け関 係を用いた句ベクトルの生成,” in 言語処理学会 第20回年次大会 発表論文集, 2014, no. C, pp. 1055–1058. • 島岡聖世, 村岡雅康, 山本風人, 渡邉陽太郎, 岡崎直観, and 乾健太郎, “ガウス分 布による単語と句の意味の分布的表現,” 言語処理学会 第20回年次大会 発表論文 集, pp. 1051–1054, 2014. 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 文献紹介 - 大規模素性集合に対する教師あり縮約モデリング
3. 素性数・・・精度⇔メモリ・処理時間のトレードオフ 文献による提案手法(縮約モデリング) #nzF (非零の素性数) #DoF(最適化変数の自由度) 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 文献紹介 - 大規模素性集合に対する教師あり縮約モデリング 固有表現抽出のタスク評価
4. • 機械学習における式の一般化 = arg min ; ; = ℒ ; + Ω :最適化パラメータ : 訓練データ ℒ(; ):損失項 Ω :正則化項 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 研究背景 仮定： 損失項および正則化項はwに関して 凸関数であること 損失項は劣微分可能な関数であること
5. • 機械学習における式の一般化 = arg min ; ; = ℒ ; + Ω :最適化パラメータ : 訓練データ ℒ(; ):損失項 Ω :正則化項 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 研究背景 仮定： 損失項および正則化項はwに関して 凸関数であること 損失項は劣微分可能な関数であること
6. 素性数・・・精度⇔メモリ・処理時間のトレードオフ 文献による提案手法(縮約モデリング) #nzF (非零の素性数) #DoF(最適化変数の自由度) 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 文献紹介 - 大規模素性集合に対する教師あり縮約モデリング 固有表現抽出のタスク評価
7. 1. 例：多項式曲線フィッティング 問：図の青点(訓練集合)*はどんな式にフィットするか？ *緑線（sin(2πx)）から正規分布に従うランダムノイズ（誤差や観測されない信号元の変動にあたる）を加えて生 成したもの         M j j j M M x w x w x w x w w x y 0 2 2 1 0 ... ) , ( w 解１：xに関する多項式を仮定し，最小二乗誤差法を適用する．     N n n n t x y E 1 2 } ) , ( { 2 1 ) ( w w 誤差関数(Error Function) wに関して最小化． wi (パラメータ)に関して1次の線形関数：線形モデル(linear model) 問題はMはいくつにするか？ ⇒ モデル選択 2014/3/26 PRML勉強会@長岡
8. 1. 例：多項式曲線フィッティング 問：図の青点(訓練集合)*はどんな式にフィットするか？ *緑線（sin(2πx)）から正規分布に従うランダムノイズ（誤差や観測されない信号元の変動にあたる）を加えて生 成したもの         M j j j M M x w x w x w x w w x y 0 2 2 1 0 ... ) , ( w 解１：xに関する多項式を仮定し，最小二乗誤差法を適用する．     N n n n t x y E 1 2 } ) , ( { 2 1 ) ( w w 誤差関数(Error Function) wに関して最小化． wi (パラメータ)に関して1次の線形関数：線形モデル(linear model) 問題はMはいくつにするか？ ⇒ モデル選択 2014/3/26 PRML勉強会@長岡
9. 1. 例：多項式曲線フィッティング 問：図の青点(訓練集合)*はどんな式にフィットするか？ *緑線（sin(2πx)）から正規分布に従うランダムノイズ（誤差や観測されない信号元の変動にあたる）を加えて生 成したもの    M j j j x w x y 0 ) , ( w 色々なMで試してみましょう 最初は定数 2014/3/26 PRML勉強会@長岡
10. 1. 例：多項式曲線フィッティング 問：図の青点(訓練集合)*はどんな式にフィットするか？ *緑線（sin(2πx)）から正規分布に従うランダムノイズ（誤差や観測されない信号元の変動にあたる）を加えて生 成したもの    M j j j x w x y 0 ) , ( w 色々なMで試してみましょう 直線 2014/3/26 PRML勉強会@長岡
11. 1. 例：多項式曲線フィッティング 問：図の青点(訓練集合)*はどんな式にフィットするか？ *緑線（sin(2πx)）から正規分布に従うランダムノイズ（誤差や観測されない信号元の変動にあたる）を加えて生 成したもの    M j j j x w x y 0 ) , ( w 色々なMで試してみましょう らしくなってきた！ 2014/3/26 PRML勉強会@長岡
12. 1. 例：多項式曲線フィッティング 問：図の青点(訓練集合)*はどんな式にフィットするか？ *緑線（sin(2πx)）から正規分布に従うランダムノイズ（誤差や観測されない信号元の変動にあたる）を加えて生 成したもの    M j j j x w x y 0 ) , ( w 色々なMで試してみましょう ありゃりゃ… 2014/3/26 PRML勉強会@長岡
13. 1. 例：多項式曲線フィッティング 問：図の青点(訓練集合)*はどんな式にフィットするか？ *緑線（sin(2πx)）から正規分布に従うランダムノイズ（誤差や観測されない信号元の変動にあたる）を加えて生 成したもの    M j j j x w x y 0 ) , ( w 色々なMで試してみましょう 10個の未知パラメータ 10個の訓練データ = 二乗誤差ゼロ 未知のデータ(緑)との誤差大！ 過学習(over-fitting) ランダムノイズに引っ張られてる 2014/3/26 PRML勉強会@長岡
14. 1. 例：多項式曲線フィッティング 未知のデータに対する適応度と訓練データに対する適応度比較  E RMS  2E(w*)/N Nに左右されない比較 2014/3/26 PRML勉強会@長岡
15. 1. 例：多項式曲線フィッティング Mが増えるとパラメータも大きくなるんですね… 雑音 = 高周波 ⇒ xの微小変化に大きな変化が求められる M=0 M=1 M=3 … M=9 0 ∗ 0.19 0.82 0.31 0.35 1 ∗ -1.27 7.99 232.37 2 ∗ -25.43 -5321.83 3 ∗ 17.37 48568.31 4 ∗ -231639.30 5 ∗ 640042.26 6 ∗ -1061800.52 7 ∗ 1042400.18 8 ∗ -557682.99 9 ∗ 125201.43 2014/3/26 PRML勉強会@長岡
16. 関連研究： スパースモデリング 素性のグルーピング(似た素性を一つにする) 縮約モデリング(提案手法)： 最適化変数の値をなるべく同じ値にする ⇒モデルが非常に簡潔になる ADMMの改良を行ったもの ⇒0に量子化された素性は影響がない 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 文献紹介 - 大規模素性集合に対する教師あり縮約モデリング
17. ACLによる報告： 縮約モデリングの提案・検討 量子化後のパラメータは手動で経験的に決定 NLP2014における報告： 量子化後のパラメータを自動的に決定 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 文献紹介 - 大規模素性集合に対する教師あり縮約モデリング
18. 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 文献紹介 - 大規模素性集合に対する教師あり縮約モデリング 元のパラメータをどの平面に写像を行うかの問題になる。
19. 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 文献紹介 - 大規模素性集合に対する教師あり縮約モデリング
20. 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 文献紹介 - 大規模素性集合に対する教師あり縮約モデリング 組み合わせ最適化問題 +1次元K-meansクラスタリング をどうやって選ぶか？ . ) = {−1, −0.5,0,0.5,1} を決める問題 wを から決める問題 . ) = (−1, 0,0.5,1)
21. 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 文献紹介 - 大規模素性集合に対する教師あり縮約モデリング 一次元クラスタリングのアルゴリズム Ckmeans.1d.dp を改良 絶対に選択されないクラスタは計算を省く 計算量 O(KN2) → O(KNlogN)
22. 素性数・・・精度⇔メモリ・処理時間のトレードオフ 文献による提案手法(縮約モデリング) #nzF (非零の素性数) #DoF(最適化変数の自由度) 2014/3/26 長岡技術科学大学 自然言語処理研究室 2014年度 Ｂ4ゼミ 文献紹介 - 大規模素性集合に対する教師あり縮約モデリング 固有表現抽出のタスク評価