Enviar pesquisa
Carregar
死にたくない
•
3 gostaram
•
49,164 visualizações
J
joisino
Seguir
囚人の帽子の問題とハミング符号
Leia menos
Leia mais
Tecnologia
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 50
Baixar agora
Baixar para ler offline
Recomendados
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
勉強か?趣味か?人生か?―プログラミングコンテストとは
勉強か?趣味か?人生か?―プログラミングコンテストとは
Takuya Akiba
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Miyoshi Yuya
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
tmtm otm
backbone としての timm 入門
backbone としての timm 入門
Takuji Tahara
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
Recomendados
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
勉強か?趣味か?人生か?―プログラミングコンテストとは
勉強か?趣味か?人生か?―プログラミングコンテストとは
Takuya Akiba
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Miyoshi Yuya
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
tmtm otm
backbone としての timm 入門
backbone としての timm 入門
Takuji Tahara
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
[Ridge-i 論文よみかい] Wasserstein auto encoder
[Ridge-i 論文よみかい] Wasserstein auto encoder
Masanari Kimura
論文紹介「A Perspective View and Survey of Meta-Learning」
論文紹介「A Perspective View and Survey of Meta-Learning」
Kota Matsui
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tatsuya Tojima
Layer Normalization@NIPS+読み会・関西
Layer Normalization@NIPS+読み会・関西
Keigo Nishida
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Yusuke Sekikawa
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
競技プログラミングにおけるコードの書き方とその利便性
競技プログラミングにおけるコードの書き方とその利便性
Hibiki Yamashiro
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
Hakky St
プログラミングコンテストでの乱択アルゴリズム
プログラミングコンテストでの乱択アルゴリズム
Takuya Akiba
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
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
Shohei Hido
線形計画法入門
線形計画法入門
Shunji Umetani
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
joisino
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
Shohei Hido
ICLR2020の異常検知論文の紹介 (2019/11/23)
ICLR2020の異常検知論文の紹介 (2019/11/23)
ぱんいち すみもと
キャッシュオブリビアスアルゴリズム
キャッシュオブリビアスアルゴリズム
joisino
Metric Recovery from Unweighted k-NN Graphs
Metric Recovery from Unweighted k-NN Graphs
joisino
Mais conteúdo relacionado
Mais procurados
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
[Ridge-i 論文よみかい] Wasserstein auto encoder
[Ridge-i 論文よみかい] Wasserstein auto encoder
Masanari Kimura
論文紹介「A Perspective View and Survey of Meta-Learning」
論文紹介「A Perspective View and Survey of Meta-Learning」
Kota Matsui
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tatsuya Tojima
Layer Normalization@NIPS+読み会・関西
Layer Normalization@NIPS+読み会・関西
Keigo Nishida
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Yusuke Sekikawa
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
競技プログラミングにおけるコードの書き方とその利便性
競技プログラミングにおけるコードの書き方とその利便性
Hibiki Yamashiro
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
Hakky St
プログラミングコンテストでの乱択アルゴリズム
プログラミングコンテストでの乱択アルゴリズム
Takuya Akiba
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
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
Shohei Hido
線形計画法入門
線形計画法入門
Shunji Umetani
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
joisino
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
Shohei Hido
ICLR2020の異常検知論文の紹介 (2019/11/23)
ICLR2020の異常検知論文の紹介 (2019/11/23)
ぱんいち すみもと
Mais procurados
(20)
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
幾何を使った統計のはなし
幾何を使った統計のはなし
[Ridge-i 論文よみかい] Wasserstein auto encoder
[Ridge-i 論文よみかい] Wasserstein auto encoder
論文紹介「A Perspective View and Survey of Meta-Learning」
論文紹介「A Perspective View and Survey of Meta-Learning」
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Layer Normalization@NIPS+読み会・関西
Layer Normalization@NIPS+読み会・関西
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
競技プログラミングにおけるコードの書き方とその利便性
競技プログラミングにおけるコードの書き方とその利便性
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
プログラミングコンテストでの乱択アルゴリズム
プログラミングコンテストでの乱択アルゴリズム
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
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
線形計画法入門
線形計画法入門
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
ICLR2020の異常検知論文の紹介 (2019/11/23)
ICLR2020の異常検知論文の紹介 (2019/11/23)
Mais de joisino
キャッシュオブリビアスアルゴリズム
キャッシュオブリビアスアルゴリズム
joisino
Metric Recovery from Unweighted k-NN Graphs
Metric Recovery from Unweighted k-NN Graphs
joisino
Towards Principled User-side Recommender Systems
Towards Principled User-side Recommender Systems
joisino
CLEAR: A Fully User-side Image Search System
CLEAR: A Fully User-side Image Search System
joisino
Private Recommender Systems: How Can Users Build Their Own Fair Recommender S...
Private Recommender Systems: How Can Users Build Their Own Fair Recommender S...
joisino
An Introduction to Spectral Graph Theory
An Introduction to Spectral Graph Theory
joisino
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
最適輸送入門
最適輸送入門
joisino
ユーザーサイド情報検索システム
ユーザーサイド情報検索システム
joisino
最適輸送の解き方
最適輸送の解き方
joisino
Random Features Strengthen Graph Neural Networks
Random Features Strengthen Graph Neural Networks
joisino
Fast Unbalanced Optimal Transport on a Tree
Fast Unbalanced Optimal Transport on a Tree
joisino
Mais de joisino
(12)
キャッシュオブリビアスアルゴリズム
キャッシュオブリビアスアルゴリズム
Metric Recovery from Unweighted k-NN Graphs
Metric Recovery from Unweighted k-NN Graphs
Towards Principled User-side Recommender Systems
Towards Principled User-side Recommender Systems
CLEAR: A Fully User-side Image Search System
CLEAR: A Fully User-side Image Search System
Private Recommender Systems: How Can Users Build Their Own Fair Recommender S...
Private Recommender Systems: How Can Users Build Their Own Fair Recommender S...
An Introduction to Spectral Graph Theory
An Introduction to Spectral Graph Theory
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
最適輸送入門
最適輸送入門
ユーザーサイド情報検索システム
ユーザーサイド情報検索システム
最適輸送の解き方
最適輸送の解き方
Random Features Strengthen Graph Neural Networks
Random Features Strengthen Graph Neural Networks
Fast Unbalanced Optimal Transport on a Tree
Fast Unbalanced Optimal Transport on a Tree
Último
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Ryo Sasaki
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
Último
(9)
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
死にたくない
1.
死にたくない @joisino_
2.
囚人の帽子の問題とハミング符号 @joisino_
3.
問題 囚人がN(= 2n−1
)人いる 囚人は白帽か赤帽をかぶっている 自分の帽子の色は分からないが、他人の帽子の 色は全てわかる 各人は同時に自分の色を言うか何も言わない
4.
問題 ● 1人以上が発言し、発言した人全員が正解→勝
利 ● 全員沈黙、または一人でも間違う→死 生存確率が高くなるような作戦を求める
5.
例 赤白 →勝利
6.
例 白白赤 →死
7.
N = 3
のとき
8.
方針 : 全列挙
9.
方針 : 全列挙
● 囚人から見たパターンは2通り(他の人の色が同 じ、異なる) ● 作戦は全6通り ● この作戦を帽子の全パターンについて試す
10.
方針 : 全列挙
帽子の色の全パターンは以下の8通り ● (白、白、白) ● (白、白、赤) ● (白、赤、白) ● (白、赤、赤) ● (赤、白、白) ● (赤、白、赤) ● (赤、赤、白) ● (赤、赤、赤)
11.
答え 他の人が同じ色のときは違う色を言う。 違う色のときは黙る
12.
答え 赤赤赤 →死
勝利:0 死:1
13.
答え →勝利 赤
勝利:1 死:1
14.
答え 赤 →勝利
勝利:2 死:1
15.
答え →勝利 白
勝利:3 死:1
16.
答え →勝利 赤
勝利:4 死:1
17.
答え 白 →勝利
勝利:5 死:1
18.
答え →勝利 白
勝利:6 死:1
19.
答え 白白白 →死
勝利:6 死:2
20.
答え 8パターン中6パターン勝利(75パーセント) 何故良いか?
→各人が当てられる確率は50パーセントだ が、皆が間違うパターンが集中している
21.
答え 白白白 →死
22.
N = 7
のとき
23.
N = 7
のとき 帽子のパターンは128通り、作戦のパターンは 18通り 囚人にコンピュータは与えられない – 全列挙は難しい
24.
方針1 : 妥協
25.
方針1 : 妥協
3人選んでN = 3のときの方針をとる 他の4人は黙らせる
26.
方針1 : 妥協
赤
27.
方針1 : 妥協
勝利確率はN = 3のときと同じで75パーセント 利点 : 楽 難点 : 命を粗末にするのはダメ
28.
方針2 : ハミング符号
29.
2元ハミング符号 H7 2元ハミング符号
H7 とは? 誤り訂正符号の1つ – 送りたい情報にノイズが混入しても訂正できるよう な符号 3つの集合A,B,Cに対するベン図を使う それぞれの集合は1,10,100(2進数)を表す
30.
2元ハミング符号 B C
A H7 u1 u2 u3 u6 u4 u5 u7
31.
2元ハミング符号 H7 使い方
4ビットの情報( a1, a2, a3, a4 )を送る ビットをベン図の u3 , u5 , u6 , u7 に割り当てる それぞれの集合に属するビットの和が0になるよう に残りのビットを決める
32.
2元ハミング符号 例) =
1 , = 0 , = 1 , = 1 B C 0 1 1 0 1 0 1 A 符号) 0110011 H7 a1 a2 a3 a4
33.
2元ハミング符号 符号) 0110011
が 符号) 0100011 になってしまった B C 0 1 0 0 1 0 1 A H7
34.
2元ハミング符号 B H7
C 0 1 0 0 1 0 1 A A : 0 + 0 + 1 + 0 = 1(おかしい)
35.
2元ハミング符号 B H7
C 0 1 0 0 1 0 1 A B : 1 + 1 + 1 + 0 = 1(おかしい)
36.
2元ハミング符号 B H7
C 0 1 0 0 1 0 1 A A : 0 + 0 + 1 + 1 = 0(ただしい)
37.
2元ハミング符号 A :
おかしい B : おかしい C : ただしい H7 →間違いはA , Bに属していて、Cに属していない →間違いは u3
38.
2元ハミング符号 H7 誤り訂正符号としての問題点
2つ以上の間違いが混入したら修正できない 符号) 0110011 が 符号) 0100111 になってしまった →0100101と修正してしまう
39.
答え 囚人に番号をつけておく 白帽を0,赤帽を1としてビット列をつくる
● 自分のビットを決めてハミング符号語にできるな ら、ハミング符号語にならないように帽子の色を言 う ● ハミング符号語にできないなら何も言わない
40.
答え 全員何も言わない –
任意の7ビット列は1ビット変更してハミング符号語にで きるのであり得ない 間違える – 帽子のビット列がハミング符号語のとき – 4ビットの送る情報それぞれに1つハミング符号語があ るので16通り 全員正解する – それ以外の128-16=112通り 勝利確率は 112/128 (87.5パーセント)
41.
ハミング符号作戦が最適である証明 ある作戦においてその作戦で勝利したとき、1人 以上が帽子の色を発言している
赤
42.
ハミング符号作戦が最適である証明 もし、他の人の帽子の色が同じで、自分の帽子 の色が変わった場合、死
(自分では変わっても区別できないから) 赤
43.
ハミング符号作戦が最適である証明 つまり、作戦が成功する帽子のビット列に隣接 するビット列で、失敗するビット列が存在する
成功したビット列で、発言した1人のビットを変更 すると構成できる (隣接: 0110011 と 0100011 など)
44.
ハミング符号作戦が最適である証明 失敗するビット列の集合をFとすると、Fの元xを 中心とする半径1の球B={y∈
Z2 7 | yはxに隣接し ているまたはy = x}の和は全ての7ビット列を覆 う必要がある 覆われていない元zがあるとすると、zのとき作 戦が成功し、zに隣接する元で失敗する元が存 在しないことになるから矛盾
45.
ハミング符号作戦が最適である証明 |B| =
8 なので 8|F| ≧ 2^7 |F| ≧ 16 失敗するビット列は16個以上 よって H 7 による作戦が最適となる
46.
一般( N =
2 n )の場合−1
47.
一般( N=2n−1 )の場合
2元ハミング符号による作戦が最適であることが N = 7と同様に示せる(省略)
48.
一般( N=2n−1 )の場合
H2n−1 2n−1−n 2元ハミング符号 が伝える情報は ビットなので失敗するパターン(ハミング符号語 の数)は 22n−1−n 通り。 帽子のパターンは 通り 勝利確率は 22n−1 1−22n−1−n 2n= N 22n−1 =1− 1 N+1 Nが大きくなると勝利確率は限りなく1に近づく
49.
まとめ 人数が多いほうが死なない 符号理論を知っている方が死なない
50.
ご清聴ありがとうございました
Baixar agora