Enviar pesquisa
Carregar
発表スライド
•
Transferir como PPTX, PDF
•
0 gostou
•
2,568 visualizações
Akira Tamamori
Seguir
学習アルゴリズムとか難しい話は色々と省略。詳細な実験条件とかも。
Leia menos
Leia mais
Engenharia
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 26
Baixar agora
Recomendados
Variational AutoEncoder
Variational AutoEncoder
Kazuki Nitta
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
Rによるデータサイエンス:12章「時系列」
Rによるデータサイエンス:12章「時系列」
Nagi Teramo
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
AHC-Lab M1勉強会 論文の読み方・書き方
AHC-Lab M1勉強会 論文の読み方・書き方
Shinagawa Seitaro
Juliaで並列計算
Juliaで並列計算
Shintaro Fukushima
coordinate descent 法について
coordinate descent 法について
京都大学大学院情報学研究科数理工学専攻
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
Recomendados
Variational AutoEncoder
Variational AutoEncoder
Kazuki Nitta
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
Rによるデータサイエンス:12章「時系列」
Rによるデータサイエンス:12章「時系列」
Nagi Teramo
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
AHC-Lab M1勉強会 論文の読み方・書き方
AHC-Lab M1勉強会 論文の読み方・書き方
Shinagawa Seitaro
Juliaで並列計算
Juliaで並列計算
Shintaro Fukushima
coordinate descent 法について
coordinate descent 法について
京都大学大学院情報学研究科数理工学専攻
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
自然言語処理のためのDeep Learning
自然言語処理のためのDeep Learning
Yuta Kikuchi
ガウス過程入門
ガウス過程入門
ShoShimoyama
卒論発表
卒論発表
KajiwaraYoshiki
機械学習研究の現状とこれから
機械学習研究の現状とこれから
MLSE
PRML8章
PRML8章
弘毅 露崎
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
Hideki Tsunashima
初めてのグラフカット
初めてのグラフカット
Tsubasa Hirakawa
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
経験ベイズ木(IBIS 2017)
経験ベイズ木(IBIS 2017)
Masashi Sekino
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
[DL輪読会]`強化学習のための状態表現学習 -より良い「世界モデル」の獲得に向けて-
[DL輪読会]`強化学習のための状態表現学習 -より良い「世界モデル」の獲得に向けて-
Deep Learning JP
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
Deep Learning JP
「世界モデル」と関連研究について
「世界モデル」と関連研究について
Masahiro Suzuki
研究発表のためのプレゼンテーション技術
研究発表のためのプレゼンテーション技術
Shinnosuke Takamichi
PRML 第4章
PRML 第4章
Akira Miyazawa
VAEs for multimodal disentanglement
VAEs for multimodal disentanglement
Antonio Tejero de Pablos
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
sleepy_yoshi
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
【DL輪読会】Deep Transformers without Shortcuts: Modifying Self-attention for Fait...
【DL輪読会】Deep Transformers without Shortcuts: Modifying Self-attention for Fait...
Deep Learning JP
20130717学術情報セミナー(大谷).ppt
20130717学術情報セミナー(大谷).ppt
Shuhei Otani
ゼミ発表2
ゼミ発表2
Mio Yamamoto
Mais conteúdo relacionado
Mais procurados
自然言語処理のためのDeep Learning
自然言語処理のためのDeep Learning
Yuta Kikuchi
ガウス過程入門
ガウス過程入門
ShoShimoyama
卒論発表
卒論発表
KajiwaraYoshiki
機械学習研究の現状とこれから
機械学習研究の現状とこれから
MLSE
PRML8章
PRML8章
弘毅 露崎
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
Hideki Tsunashima
初めてのグラフカット
初めてのグラフカット
Tsubasa Hirakawa
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
経験ベイズ木(IBIS 2017)
経験ベイズ木(IBIS 2017)
Masashi Sekino
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
[DL輪読会]`強化学習のための状態表現学習 -より良い「世界モデル」の獲得に向けて-
[DL輪読会]`強化学習のための状態表現学習 -より良い「世界モデル」の獲得に向けて-
Deep Learning JP
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
Deep Learning JP
「世界モデル」と関連研究について
「世界モデル」と関連研究について
Masahiro Suzuki
研究発表のためのプレゼンテーション技術
研究発表のためのプレゼンテーション技術
Shinnosuke Takamichi
PRML 第4章
PRML 第4章
Akira Miyazawa
VAEs for multimodal disentanglement
VAEs for multimodal disentanglement
Antonio Tejero de Pablos
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
sleepy_yoshi
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
【DL輪読会】Deep Transformers without Shortcuts: Modifying Self-attention for Fait...
【DL輪読会】Deep Transformers without Shortcuts: Modifying Self-attention for Fait...
Deep Learning JP
Mais procurados
(20)
自然言語処理のためのDeep Learning
自然言語処理のためのDeep Learning
ガウス過程入門
ガウス過程入門
卒論発表
卒論発表
機械学習研究の現状とこれから
機械学習研究の現状とこれから
PRML8章
PRML8章
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
初めてのグラフカット
初めてのグラフカット
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
経験ベイズ木(IBIS 2017)
経験ベイズ木(IBIS 2017)
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
[DL輪読会]`強化学習のための状態表現学習 -より良い「世界モデル」の獲得に向けて-
[DL輪読会]`強化学習のための状態表現学習 -より良い「世界モデル」の獲得に向けて-
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
「世界モデル」と関連研究について
「世界モデル」と関連研究について
研究発表のためのプレゼンテーション技術
研究発表のためのプレゼンテーション技術
PRML 第4章
PRML 第4章
VAEs for multimodal disentanglement
VAEs for multimodal disentanglement
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
【DL輪読会】Deep Transformers without Shortcuts: Modifying Self-attention for Fait...
【DL輪読会】Deep Transformers without Shortcuts: Modifying Self-attention for Fait...
Destaque
20130717学術情報セミナー(大谷).ppt
20130717学術情報セミナー(大谷).ppt
Shuhei Otani
ゼミ発表2
ゼミ発表2
Mio Yamamoto
論文の図表レイアウト例
論文の図表レイアウト例
Sunao Hara
博士論文本審査スライド
博士論文本審査スライド
Ryuichi Ueda
学位論文の書き方メモ (Tips for writing thesis)
学位論文の書き方メモ (Tips for writing thesis)
Nobuyuki Umetani
卒論に必要なWordテクニック
卒論に必要なWordテクニック
Shibaura Institute of Technology
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
Naoaki Okazaki
z変換をやさしく教えて下さい (音響学入門ペディア)
z変換をやさしく教えて下さい (音響学入門ペディア)
Shinnosuke Takamichi
ツイートの取得と解析の間
ツイートの取得と解析の間
nemupm
マジカルsvnとキュアgit
マジカルsvnとキュアgit
Takafumi ONAKA
研究法(Claimとは)
研究法(Claimとは)
Jun Rekimoto
論文に関する基礎知識2016
論文に関する基礎知識2016
Mai Otsuki
優れた研究論文の書き方―7つの提案
優れた研究論文の書き方―7つの提案
Masanori Kado
短期間で新技術を学ぶ技術
短期間で新技術を学ぶ技術
Takafumi ONAKA
研究室リテラシー教育スライド
研究室リテラシー教育スライド
Nobutaka Shimada
「速」を落とさないコードレビュー
「速」を落とさないコードレビュー
Takafumi ONAKA
Destaque
(16)
20130717学術情報セミナー(大谷).ppt
20130717学術情報セミナー(大谷).ppt
ゼミ発表2
ゼミ発表2
論文の図表レイアウト例
論文の図表レイアウト例
博士論文本審査スライド
博士論文本審査スライド
学位論文の書き方メモ (Tips for writing thesis)
学位論文の書き方メモ (Tips for writing thesis)
卒論に必要なWordテクニック
卒論に必要なWordテクニック
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
z変換をやさしく教えて下さい (音響学入門ペディア)
z変換をやさしく教えて下さい (音響学入門ペディア)
ツイートの取得と解析の間
ツイートの取得と解析の間
マジカルsvnとキュアgit
マジカルsvnとキュアgit
研究法(Claimとは)
研究法(Claimとは)
論文に関する基礎知識2016
論文に関する基礎知識2016
優れた研究論文の書き方―7つの提案
優れた研究論文の書き方―7つの提案
短期間で新技術を学ぶ技術
短期間で新技術を学ぶ技術
研究室リテラシー教育スライド
研究室リテラシー教育スライド
「速」を落とさないコードレビュー
「速」を落とさないコードレビュー
Semelhante a 発表スライド
Hasc勉強会報告
Hasc勉強会報告
萌 松木
研究室説明@オリエンテーション2015
研究室説明@オリエンテーション2015
Ubi NAIST
IUGONETメタデータデータベース
IUGONETメタデータデータベース
Iugo Net
生活に溶け込む人工知能による病気発見:医工連携におけるLessons Learned
生活に溶け込む人工知能による病気発見:医工連携におけるLessons Learned
sugiuralab
装着型センサによる農作業情報取得 at HASCミーティング2015
装着型センサによる農作業情報取得 at HASCミーティング2015
Daisaku Arita
病院で働く技師による深層学習を用いた研究
病院で働く技師による深層学習を用いた研究
Yutaka KATAYAMA
第22回医療情報学会春季学術大会発表資料
第22回医療情報学会春季学術大会発表資料
NPO法人メディカル指南車
T univ
T univ
Makoto Kawano
探求の道 Lead Clearly
探求の道 Lead Clearly
Yutaka KATAYAMA
Tadashi ISE Public hearing for Ph.D 180923
Tadashi ISE Public hearing for Ph.D 180923
Tadashi Ise
日本臨床試験学会 第8回学術集会総会 アガサ共催セミナー「臨床研究をITで効率化する」(東京⼥⼦医科⼤学 生田聡子先生)
日本臨床試験学会 第8回学術集会総会 アガサ共催セミナー「臨床研究をITで効率化する」(東京⼥⼦医科⼤学 生田聡子先生)
アガサ株式会社 (Agatha Inc.)
Deep Neural Networkに基づく日常生活行動認識における適応手法
Deep Neural Networkに基づく日常生活行動認識における適応手法
NU_I_TODALAB
Dynamic Measurement Scheduling for Event Forecasting Using Deep RL
Dynamic Measurement Scheduling for Event Forecasting Using Deep RL
harmonylab
DLLAB Healthcare Day 2020 機械学習による健康・疾患状態の層別化と予測
DLLAB Healthcare Day 2020 機械学習による健康・疾患状態の層別化と予測
Deep Learning Lab(ディープラーニング・ラボ)
Cytoscape Ecosystem Presentation at DBCLS Kashiwa
Cytoscape Ecosystem Presentation at DBCLS Kashiwa
Keiichiro Ono
Wikipedia science ai_online_discussion
Wikipedia science ai_online_discussion
Tomoaki Watanabe
バイオサイエンス分野における機械学習応用研究の最新動向
バイオサイエンス分野における機械学習応用研究の最新動向
ハイシンク創研 / Laboratory of Hi-Think Corporation
Semelhante a 発表スライド
(17)
Hasc勉強会報告
Hasc勉強会報告
研究室説明@オリエンテーション2015
研究室説明@オリエンテーション2015
IUGONETメタデータデータベース
IUGONETメタデータデータベース
生活に溶け込む人工知能による病気発見:医工連携におけるLessons Learned
生活に溶け込む人工知能による病気発見:医工連携におけるLessons Learned
装着型センサによる農作業情報取得 at HASCミーティング2015
装着型センサによる農作業情報取得 at HASCミーティング2015
病院で働く技師による深層学習を用いた研究
病院で働く技師による深層学習を用いた研究
第22回医療情報学会春季学術大会発表資料
第22回医療情報学会春季学術大会発表資料
T univ
T univ
探求の道 Lead Clearly
探求の道 Lead Clearly
Tadashi ISE Public hearing for Ph.D 180923
Tadashi ISE Public hearing for Ph.D 180923
日本臨床試験学会 第8回学術集会総会 アガサ共催セミナー「臨床研究をITで効率化する」(東京⼥⼦医科⼤学 生田聡子先生)
日本臨床試験学会 第8回学術集会総会 アガサ共催セミナー「臨床研究をITで効率化する」(東京⼥⼦医科⼤学 生田聡子先生)
Deep Neural Networkに基づく日常生活行動認識における適応手法
Deep Neural Networkに基づく日常生活行動認識における適応手法
Dynamic Measurement Scheduling for Event Forecasting Using Deep RL
Dynamic Measurement Scheduling for Event Forecasting Using Deep RL
DLLAB Healthcare Day 2020 機械学習による健康・疾患状態の層別化と予測
DLLAB Healthcare Day 2020 機械学習による健康・疾患状態の層別化と予測
Cytoscape Ecosystem Presentation at DBCLS Kashiwa
Cytoscape Ecosystem Presentation at DBCLS Kashiwa
Wikipedia science ai_online_discussion
Wikipedia science ai_online_discussion
バイオサイエンス分野における機械学習応用研究の最新動向
バイオサイエンス分野における機械学習応用研究の最新動向
Mais de Akira Tamamori
パターン認識の資料
パターン認識の資料
Akira Tamamori
Speaker Dependent WaveNet Vocoder
Speaker Dependent WaveNet Vocoder
Akira Tamamori
A Method of Speech Waveform Synthesis based on WaveNet considering Speech Gen...
A Method of Speech Waveform Synthesis based on WaveNet considering Speech Gen...
Akira Tamamori
懇親会の余興スライド
懇親会の余興スライド
Akira Tamamori
サポートベクトルマシンを用いた自動人相判別の検討 : A study on automatic physiognomy classification wi...
サポートベクトルマシンを用いた自動人相判別の検討 : A study on automatic physiognomy classification wi...
Akira Tamamori
公聴会 発表スライド
公聴会 発表スライド
Akira Tamamori
Mais de Akira Tamamori
(6)
パターン認識の資料
パターン認識の資料
Speaker Dependent WaveNet Vocoder
Speaker Dependent WaveNet Vocoder
A Method of Speech Waveform Synthesis based on WaveNet considering Speech Gen...
A Method of Speech Waveform Synthesis based on WaveNet considering Speech Gen...
懇親会の余興スライド
懇親会の余興スライド
サポートベクトルマシンを用いた自動人相判別の検討 : A study on automatic physiognomy classification wi...
サポートベクトルマシンを用いた自動人相判別の検討 : A study on automatic physiognomy classification wi...
公聴会 発表スライド
公聴会 発表スライド
発表スライド
1.
ガウス過程状態空間モデルに基づく 準周期的な非線形現象の 予測手法の検討 統計数理研究所 特任助教 玉森 聡
2.
• ソーシャル・ビッグデータ利活用・基盤技術の研究開発 課題A ソーシャル・ビッグデータ利活用アプリケーションの 研究開発 「月経周期と基礎体温に基づく 女性健康予報システムの研究開発」 •
研究機関 • キューオーエル株式会社 • 信州大学 • 株式会社エイネット • 有限会社マイクロウィジェット • 統計数理研究所 玉森聡,松井知子先生,深谷肇一先生,石黒真木夫先生, 清水邦夫先生,川森愛さん 情報通信研究機構(NICT)委託研究
3.
ウェアラブルセンサによる基礎体温の自動計測
4.
はじめに(1/5) • 世の中で広く観測される様々な周期現象 • 捕食-被食関係にある生物の個体数の増減 •
太陽黒点数や太陽磁場などの太陽活動 • 生物に備わった時間測定機構に由来する周期現象 など 生物が持つ周期(生体リズム)の例: • ウルトラディアンリズム:睡眠活動や心臓の拍動など • 概日リズム:脳波やホルモン分泌,細胞の再生など • 概月リズム:海洋生物の産卵や女性の基礎体温など • 概年リズム:哺乳類の冬眠,植物の開花など 非線形な変動,周期にゆらぎ(準周期性)
5.
• オオヤマネコ(捕食者)とカンジキウサギ(被食者) 周期現象の例(1/4) http://www.brh.co.jp/seimeishi/journal/064/research_1.html より引用 オ オ ヤ マ ネ コ の 個 体 数 (×1000) カ ン ジ キ ウ サ ギ の 個 体 数 (×1000) 1850年
1875年 1900年 1925年 カンジキウサギ オオヤマネコ
6.
• 太陽黒点数と磁気嵐の発生数 周期現象の例(2/4) 吉田, 外谷,
吉田: “磁気嵐の太陽活動周期変化と半年周変化,” (2009) より引用 磁 気 嵐 の 発 生 数 ( 折 れ 線 グ ラ フ ) 太 陽 黒 点 数 ( 棒 グ ラ フ ) 西暦
7.
• 心拍 周期現象の例(3/4) http://physiol.umin.jp/cardiovasc/heart/ecg/070/170/text.html より引用
8.
周期現象の例(4/4) • 女性の基礎体温 実際の月経開始日 低温期と高温期を繰り返す周期的構造 周期にゆらぎ
9.
• 非線形な準周期的現象の予測によるメリット • 生体リズムを考慮した投薬計画 •
副作用が少なく少量で効果的な医薬品開発 • 気象予報精度向上に伴う農産物などの収穫増 • 周期が大きく外れた場合の異常検知の精度向上 • 基礎体温や月経周期の予測による女性のQOL向上 はじめに(2/5) 準周期現象を予測する手法の開発は重要な問題
10.
はじめに(3/5) • 周期変動データ解析のためのアプローチ • SARIMAモデル,季節調整モデル[北川ら
’84] • 非線形準周期モデル[北川 ’87] • 位相と振幅を確率差分方程式で表現 • 観測を三角関数の和(+ガウス雑音)で表現 問題点:周期自体の定量的な予測が困難
11.
はじめに(4/5) • 目的:準周期性の定量的な予測手法の開発 • 女性の基礎体温と月経周期がモデル化対象 •
次回月経開始日の定量的予測 • 自然現象の季節変動成分に要請される条件[樋口 ‘97] 1. あまりに急峻な変化を示さない⇒なめらかな変化 2. 周期が正確に固定されていない(準周期性) 3. 位相や振幅が途中で変化する可能性 例:基礎体温は気候や体調の影響を受けて変動 少なくとも条件2と3を満たす手法を開発する必要
12.
• 本研究のアプローチ: ガウス過程状態空間モデルによるモデリング • 準周期的現象に潜む位相の存在を仮定 •
位相の動的な変化と時間発展を状態空間モデルで記述 ⇒位相は潜在変数,体温は観測変数 • ガウス過程により関数の非線形性と滑らかさを表現 はじめに(5/5) 条件1と2そして3を満たす手法の開発を目指す
13.
• 時系列を解析するモデル:状態 と観測
で記述 • 状態が観測の裏に潜む潜在要素の変動を表現 状態空間モデル(1/3)
14.
• 応用例(ほんの一部) • 宇宙船の位置と速度のシミュレーション(例:アポロ計画) •
平均株価の予測/シミュレーション • 大気海洋相互作用のシミュレーション(エルニーニョ現象) • 津波シミュレーション • カーナビゲーションシステム • ロボットの自己位置推定 • カメラ画像からの物体検出,物体認識,物体追跡 • 音声合成・音声認識・声質変換などの音声情報処理 状態空間モデル(2/3)
15.
• 線形状態空間モデル • 長所 •
解析的な推定法が既に確立 • 高速に計算可能 • 短所 • 線形のモデル⇒関数を表現する能力があまり高くない 状態空間モデル(3/3)
16.
ガウス過程とは?(イメージ) データ観測前 データ観測後 • 共分散関数のデザイン次第で 非常に多様な形状の関数を表現 関数の候補がたくさん •
データ点の周辺は候補数が小 • 未観測の箇所は候補数が大 データ点の数に応じて 関数の形状が詳細化 具体的な関数の形状がデータから自動的に決定
17.
ガウス過程の特性を取り込んだ状態空間モデル ⇒ガウス過程状態空間モデル • 長所 • 関数の非線形性&滑らかさを表現するモデル ⇒モデルが関数を表現する能力が高い •
短所 • 推定法は未確立 • 計算コストが大きい ガウス過程状態空間モデル(GP-SSM) ガウス過程 状態空間モデル
18.
• 変数の定義 • :
第 日目の位相(状態変数) • • 第 日目が月経開始日のとき , 直後に にリセット ⇒「0から1まで増加した後に0に戻る」を繰り返す構造 • : 第 日目の体温(観測変数) • ガウス過程状態空間モデルによる定式化 非線形な準周期的現象のモデル化(1/3) ガンマ分布⇒非負値 ガウス過程
19.
• 逐次予測手法 • 第
日目から 日後( )に月経開始日となる度合いを表現 • 第 日目が次回月経開始日となる事象 • 次回月経開始日を迎えるための位相の増分は • 事象が実現する確率の計算 : 非線形な準周期的現象のモデル化(2/3) ガンマ分布の累積分布関数
20.
• 逐次予測手法(続き) • 条件付き確率質量関数の計算(
の微分) • 予測分布 ⇒第 日目までの観測の下で第 日目に開始日となる確率 • 予測値の計算:予測分布の最大値を与えるインデックス 非線形な準周期的現象のモデル化(3/3)
21.
予測誤差の計算方法と逐次予測の例 1. 全テストデータに渡り逐次的に予測分布の値を計算 ⇒予測分布の最大値を与えるインデックスが予測値 2. 次回月経開始日から逆算した真の予測値との誤差を計算 真の予測値 予測値(提案法) 予測分布 予測誤差 予測値(比較手法)
22.
予測誤差の計算方法と逐次予測の例 1. 全テストデータに渡り逐次的に予測分布の値を計算 ⇒予測分布の最大値を与えるインデックスが予測値 2. 次回月経開始日から逆算した真の予測値との誤差を計算
23.
• 次回月経開始日の予測実験 • 口中計測基礎体温データ(17人分)を実験に利用 •
モデル学習用に6ヶ月分,評価用に6ヶ月分のデータ使用 • 実際の月経開始日の情報も付属 実験条件(1/2)
24.
実験条件(2/2) • 比較手法 • 31日後予測法(31days) 3,997人,延べ37,148件の月経周期の平均値が30.8日 ⇒前回月経開始日から数えて31日後を予測値とする ⇒オギノ式に対応 •
Oracle 各被験者のテストデータの平均月経周期 を計算 ⇒前回月経開始日から数えて 日後を予測値とする キューオーエル株式会社の調査結果
25.
• 予測誤差の箱ひげ図 実験結果 半数以上の被験者について 31日後予測法からの改善
26.
まとめと今後の課題 • GP-SSMに基づく準周期性の定量的な予測手法 • 準周期的現象に潜む位相の存在を仮定 •
位相の動的な変化と時間発展を状態空間モデルで記述 • ガウス過程により関数の非線形性と滑らかさを表現 • 位相の逐次予測に基づいた周期の定量的予測 • 次回月経開始日の逐次予測実験 • 今後の課題 • 被験者数を増やした実験 • 他の準周期的現象に対して手法を適用 31日後予測法と比較して予測精度の改善を確認
Baixar agora