SlideShare uma empresa Scribd logo
1 de 14
坪坂 正志 Twitter @tsubosaka Mail: m{dot}tsubosaka@gmail.com PRML勉強会(第11回) LDPC符号について 2010/02/06 1 PRML勉強会第9回
概要 8.4.7でループあり確率伝搬の有用な例として紹介されている誤り訂正符号であるLDPC符号の概要について説明します 詳しく知りたい方はMackayの教科書とかを読んでください David Mackay : Information Theory, Inference, and Learning Algorithms (http://www.inference.phy.cam.ac.uk/mackay/itila/book.html, Webからpdfが無料でダウンロードできます) Frank R. Kschischang, Brendan J. Frey, Hans-Andrea Loeliger : Factor Graphs and the Sum-Product Algorithm, IEEE Trans. Inform Theory, Vol 47, No 2 , 2001 2010/02/06 PRML勉強会第9回 2
通信路符号化 雑音のある通信路において、情報を送信する ことを考える 情報に冗長性を持たせることによって、通信中に誤りがあっても訂正するような符号を構成する 2010/02/06 PRML勉強会第9回 3
イメージ 元々の情報がkビット、通信路符号がmビットであるとする(k < m) 2010/02/06 PRML勉強会第9回 4 符号空間 情報源 ,[object Object],[object Object],[object Object],[object Object]
通信路符号化定理 シャノンの第二基本定理とも呼ぶ Claude Shannon, "A Mathematical Theory of Communication", Bell System Technical Journal, vol. 27, pp. 379–423 and 623–656, 1948 通信レート R = n / k がXとYの相互情報量        I(X,Y)以下ならばn->∞のとき誤りのない通信が可能となる 通信路符号化定理は上を満たす符号化が存在することを保障するが構成法については述べていない 2010/02/06 PRML勉強会第9回 8
LDPC符号 LDPC符号は各種符号化の中でも理論限界に最も近い性能を持つ符号である 衛星通信や10GBase-Tなどで用いられている 2010/02/06 PRML勉強会第9回 9 日経エレクトロニクスより引用 http://techon.nikkeibp.co.jp/article/WORD/20060306/114138/
線形符号 メッセージ 生成行列       :     行列 符号 符号語 は      で計算される を満たすHをパリティ検査行列という:  2010/02/06 PRML勉強会第9回 10
LDPC符号 パリティ検査行列が疎行列である線形符号のことをLow Density Parity Check符号という 疎行列を用いることによって次で出てくるグラフィカルモデルによる表現の際にループがあまりないという性質を持たせることができる 2010/02/06 PRML勉強会第9回 11
Factor Graphによる表現 パリティ検査行列 入力 x 観測値 y 2010/02/06 PRML勉強会第9回 12 接続しているxのパリティ和が0のとき1,そうでないとき0をとる (Kschischang et al. 2001)
Sum-Product ループがあるため本当はsum-productは適応できないのだけど、ループがないと考えてsum-productアルゴリズムを実行する 行列を疎かつランダムに作るとグラフにほとんどループができないためこれでも上手くいく 実験的に短いループが多い場合は性能が悪くなることが分かっている P(x_i | y)を計算してMAP推定する 2010/02/06 PRML勉強会第9回 13
最近の話 Loopy BPの代わりに線形計画法を使うことによって、より復号誤り率を低くできる Jon Feldman, Martin J. Wainwright and David R. Karger: “Using linear programming to decode binary linear codes”, IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 51, NO. 3, MARCH 2005 有歪みあり圧縮への応用 Y.Matsunaga and H.Yamamoto, "A coding theorem for lossy data compression by LDPC codes", IEEE-ISIT2002, June 30-July 5, 2002 本多, 三宅, 山本, 丸山,"LDPC符号と線形計画法を用いた情報源符号化", 信学技法, IT2008-13, pp.27-32, 2008  J.Honda, H.Yamamoto, "Variable Length Lossy Coding using an LDPC Code", IEEE-ISIT2009, pp.1973-1977, June 28- July 3, 2009 2010/02/06 PRML勉強会第9回 14
Prml Reading Group 11 LDPC
Prml Reading Group 11 LDPC
Prml Reading Group 11 LDPC

Mais conteúdo relacionado

Mais procurados

EMNLP 2015 読み会 @ 小町研 "Morphological Analysis for Unsegmented Languages using ...
EMNLP 2015 読み会 @ 小町研 "Morphological Analysis for Unsegmented Languages using ...EMNLP 2015 読み会 @ 小町研 "Morphological Analysis for Unsegmented Languages using ...
EMNLP 2015 読み会 @ 小町研 "Morphological Analysis for Unsegmented Languages using ...Yuki Tomo
 
文献紹介:SemEval-2012 Task 1: English Lexical Simplification
文献紹介:SemEval-2012 Task 1: English Lexical Simplification文献紹介:SemEval-2012 Task 1: English Lexical Simplification
文献紹介:SemEval-2012 Task 1: English Lexical SimplificationTomoyuki Kajiwara
 
Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)
Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)
Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)Ohsawa Goodfellow
 
[DLHacks]Fast and Accurate Entity Recognition with Iterated Dilated Convoluti...
[DLHacks]Fast and Accurate Entity Recognition with Iterated Dilated Convoluti...[DLHacks]Fast and Accurate Entity Recognition with Iterated Dilated Convoluti...
[DLHacks]Fast and Accurate Entity Recognition with Iterated Dilated Convoluti...Deep Learning JP
 
[DL Hacks]DROPデータセットによるMachine Reading Comprehension研究の状況
[DL Hacks]DROPデータセットによるMachine Reading Comprehension研究の状況[DL Hacks]DROPデータセットによるMachine Reading Comprehension研究の状況
[DL Hacks]DROPデータセットによるMachine Reading Comprehension研究の状況Deep Learning JP
 
Knowledge_graph_alignment_with_entity-pair_embedding
Knowledge_graph_alignment_with_entity-pair_embeddingKnowledge_graph_alignment_with_entity-pair_embedding
Knowledge_graph_alignment_with_entity-pair_embeddingAce12358
 
VOYAGE_GROUP_20200423
VOYAGE_GROUP_20200423VOYAGE_GROUP_20200423
VOYAGE_GROUP_20200423大貴 吉川
 
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings  (EMNLP 2021)【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings  (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)Deep Learning JP
 
最先端NLP勉強会2017_ACL17
最先端NLP勉強会2017_ACL17最先端NLP勉強会2017_ACL17
最先端NLP勉強会2017_ACL17Masayoshi Kondo
 

Mais procurados (9)

EMNLP 2015 読み会 @ 小町研 "Morphological Analysis for Unsegmented Languages using ...
EMNLP 2015 読み会 @ 小町研 "Morphological Analysis for Unsegmented Languages using ...EMNLP 2015 読み会 @ 小町研 "Morphological Analysis for Unsegmented Languages using ...
EMNLP 2015 読み会 @ 小町研 "Morphological Analysis for Unsegmented Languages using ...
 
文献紹介:SemEval-2012 Task 1: English Lexical Simplification
文献紹介:SemEval-2012 Task 1: English Lexical Simplification文献紹介:SemEval-2012 Task 1: English Lexical Simplification
文献紹介:SemEval-2012 Task 1: English Lexical Simplification
 
Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)
Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)
Natural Language Processing (Almost) from Scratch(第 6 回 Deep Learning 勉強会資料; 榊)
 
[DLHacks]Fast and Accurate Entity Recognition with Iterated Dilated Convoluti...
[DLHacks]Fast and Accurate Entity Recognition with Iterated Dilated Convoluti...[DLHacks]Fast and Accurate Entity Recognition with Iterated Dilated Convoluti...
[DLHacks]Fast and Accurate Entity Recognition with Iterated Dilated Convoluti...
 
[DL Hacks]DROPデータセットによるMachine Reading Comprehension研究の状況
[DL Hacks]DROPデータセットによるMachine Reading Comprehension研究の状況[DL Hacks]DROPデータセットによるMachine Reading Comprehension研究の状況
[DL Hacks]DROPデータセットによるMachine Reading Comprehension研究の状況
 
Knowledge_graph_alignment_with_entity-pair_embedding
Knowledge_graph_alignment_with_entity-pair_embeddingKnowledge_graph_alignment_with_entity-pair_embedding
Knowledge_graph_alignment_with_entity-pair_embedding
 
VOYAGE_GROUP_20200423
VOYAGE_GROUP_20200423VOYAGE_GROUP_20200423
VOYAGE_GROUP_20200423
 
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings  (EMNLP 2021)【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings  (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
 
最先端NLP勉強会2017_ACL17
最先端NLP勉強会2017_ACL17最先端NLP勉強会2017_ACL17
最先端NLP勉強会2017_ACL17
 

Mais de 正志 坪坂

KDD 2016勉強会 Deep crossing
KDD 2016勉強会 Deep crossingKDD 2016勉強会 Deep crossing
KDD 2016勉強会 Deep crossing正志 坪坂
 
Deeplearning輪読会
Deeplearning輪読会Deeplearning輪読会
Deeplearning輪読会正志 坪坂
 
WSDM 2016勉強会 Geographic Segmentation via latent factor model
WSDM 2016勉強会 Geographic Segmentation via latent factor modelWSDM 2016勉強会 Geographic Segmentation via latent factor model
WSDM 2016勉強会 Geographic Segmentation via latent factor model正志 坪坂
 
Deeplearning勉強会20160220
Deeplearning勉強会20160220Deeplearning勉強会20160220
Deeplearning勉強会20160220正志 坪坂
 
OnlineMatching勉強会第一回
OnlineMatching勉強会第一回OnlineMatching勉強会第一回
OnlineMatching勉強会第一回正志 坪坂
 
Tokyowebmining ctr-predict
Tokyowebmining ctr-predictTokyowebmining ctr-predict
Tokyowebmining ctr-predict正志 坪坂
 
Riak Search 2.0を使ったデータ集計
Riak Search 2.0を使ったデータ集計Riak Search 2.0を使ったデータ集計
Riak Search 2.0を使ったデータ集計正志 坪坂
 
Contexual bandit @TokyoWebMining
Contexual bandit @TokyoWebMiningContexual bandit @TokyoWebMining
Contexual bandit @TokyoWebMining正志 坪坂
 
Introduction to contexual bandit
Introduction to contexual banditIntroduction to contexual bandit
Introduction to contexual bandit正志 坪坂
 
確率モデルを使ったグラフクラスタリング
確率モデルを使ったグラフクラスタリング確率モデルを使ったグラフクラスタリング
確率モデルを使ったグラフクラスタリング正志 坪坂
 
Big Data Bootstrap (ICML読み会)
Big Data Bootstrap (ICML読み会)Big Data Bootstrap (ICML読み会)
Big Data Bootstrap (ICML読み会)正志 坪坂
 

Mais de 正志 坪坂 (20)

Recsys2018 unbiased
Recsys2018 unbiasedRecsys2018 unbiased
Recsys2018 unbiased
 
WSDM2018Study
WSDM2018StudyWSDM2018Study
WSDM2018Study
 
Recsys2016勉強会
Recsys2016勉強会Recsys2016勉強会
Recsys2016勉強会
 
KDD 2016勉強会 Deep crossing
KDD 2016勉強会 Deep crossingKDD 2016勉強会 Deep crossing
KDD 2016勉強会 Deep crossing
 
Deeplearning輪読会
Deeplearning輪読会Deeplearning輪読会
Deeplearning輪読会
 
WSDM 2016勉強会 Geographic Segmentation via latent factor model
WSDM 2016勉強会 Geographic Segmentation via latent factor modelWSDM 2016勉強会 Geographic Segmentation via latent factor model
WSDM 2016勉強会 Geographic Segmentation via latent factor model
 
Deeplearning勉強会20160220
Deeplearning勉強会20160220Deeplearning勉強会20160220
Deeplearning勉強会20160220
 
OnlineMatching勉強会第一回
OnlineMatching勉強会第一回OnlineMatching勉強会第一回
OnlineMatching勉強会第一回
 
Recsys2015
Recsys2015Recsys2015
Recsys2015
 
KDD 2015読み会
KDD 2015読み会KDD 2015読み会
KDD 2015読み会
 
Recsys2014 recruit
Recsys2014 recruitRecsys2014 recruit
Recsys2014 recruit
 
EMNLP2014_reading
EMNLP2014_readingEMNLP2014_reading
EMNLP2014_reading
 
Tokyowebmining ctr-predict
Tokyowebmining ctr-predictTokyowebmining ctr-predict
Tokyowebmining ctr-predict
 
KDD2014_study
KDD2014_study KDD2014_study
KDD2014_study
 
Riak Search 2.0を使ったデータ集計
Riak Search 2.0を使ったデータ集計Riak Search 2.0を使ったデータ集計
Riak Search 2.0を使ったデータ集計
 
Contexual bandit @TokyoWebMining
Contexual bandit @TokyoWebMiningContexual bandit @TokyoWebMining
Contexual bandit @TokyoWebMining
 
Introduction to contexual bandit
Introduction to contexual banditIntroduction to contexual bandit
Introduction to contexual bandit
 
確率モデルを使ったグラフクラスタリング
確率モデルを使ったグラフクラスタリング確率モデルを使ったグラフクラスタリング
確率モデルを使ったグラフクラスタリング
 
Big Data Bootstrap (ICML読み会)
Big Data Bootstrap (ICML読み会)Big Data Bootstrap (ICML読み会)
Big Data Bootstrap (ICML読み会)
 
Tokyowebmining2012
Tokyowebmining2012Tokyowebmining2012
Tokyowebmining2012
 

Prml Reading Group 11 LDPC