SlideShare una empresa de Scribd logo
1 de 49
Descargar para leer sin conexión
March 27th, 2020
Tatsuya Shirakawa
(tatsuya@abejainc.com)
医療ビッグデータの今後を⾒通すために
知っておきたい機械学習の基礎〜最前線
医療ビッグデータ勉強会@リモート
against COVID-19
⽩川 達也 / Tatsuya Shirakawa
2
ABEJA, Inc. (Researcher)
- Deep Learning (CV, Graph, NLP, )
- Machine Learning
Github https://github.com/TatsuyaShirakawa
NTT Data Mathematical Systems Inc.
- Mathematical Optimization
- Machine Learning / Deep Learning
Math.
Tech blog http://tech-blog.abeja.asia/
- 異空間への埋め込み!Poincare Embeddingsが拓く表現学習の新展開
- 機は熟した!グラフ構造に対するDeep Learning、Graph Convolutionのご紹介
- 双曲空間でのMachine Learningの最近の進展
- より良い機械学習のためのアノテーションの機械学習
Now
- データに内在する構造をみるための埋め込み⼿法
- Retail Face Analysis Inside-Out
外部発信等
SlideShare https://www.slideshare.net/daynap1204
3
ABEJA
Implement a Fruitful World
ゆたかな世界を、実装する
4
新型コロナウイルスの感染拡⼤の影響で、
医療ビッグデータ勉強会も
リモート開催となってしまいました。
5背景画像 https://www.businessinsider.jp/post-206544
6
https://prtimes.jp/main/html/rd/p/000000095.000010628.html https://prtimes.jp/main/html/rd/p/000000097.000010628.html
7
その裏で…
8
新型コロナに対応すべく、
世界中で最新のAI技術を
活⽤する動きが進んでいます!
9
10
Alibaba DAMO
肺炎患者の胸部CT画像から
新型コロナ感染を判別する
AIモデルを開発提供
Google DeepMind
新型コロナに関係する
タンパク質のAlphaFoldによる
予測構造を公開
AI2など
新型コロナに対する未知の知⾒
を発⾒するための学術論⽂
データセットをKaggleに公開
3/173/52/151/31
WHO緊急事態宣⾔ Today
国連 & WHOなど
COVID-19に対抗するための
AIアプリケーションに関する
White Paperがarxivに投稿
3/25
※ 筆者の独断と偏見によるselected topics
今回のTalk
1. Machine Learning / Deep Learningとはどんなものか
2. AI against COVID-19
11
Machine Learning
12
Machine Learning(機械学習)
AIの実現⽅法のうち、データからの学習を動作原理とするもの。
Deep LearningはMachine Learningの⼀分野で、Deep Neural Networksといわれ
る特殊な機構(モデルアーキテクチャ)に学習をさせる。
13
AI
ML
DL
ルールベース、エキスパートシステム、…
Linear Regression, SVM, K-Means, GBM,
GAN, BERT,
データからの学習(狭義)
データから望ましい挙動を察し、それを模倣する(パラメータ付き)関数をデー
タに対するチューニングなどにより帰納的に獲得すること。
14
⼊⼒データ=画像
⽝推論
猫
スコア (e.g. 予測確率)
0.82
0.18
より⼤きく
より⼩さく
モデル(e.g. CNNs)
パラメータ最適化
Deep Learning
15
Deep Learning
データから望ましい挙動を察し、それを模倣するDeep Neural Networksをデータ
に対するチューニングなどにより帰納的に獲得すること。
16
⼊⼒データ=画像
⽝推論
猫
スコア (e.g. 予測確率)
0.82
0.18
より⼤きく
より⼩さく
モデル(e.g. CNNs)
パラメータ最適化
Deep Neural Networksの例
17
EfficientNet-B0
https://ai.googleblog.com/2019/05/efficientnet-improving-accuracy-and.html
Randomly wired neural networks
http://openaccess.thecvf.com/content_ICCV_2019/papers/Xie_Exploring_Randomly_Wired_Neural_Networks_for_Image_Recognition_ICCV_2019_paper.pdf
Deep Learningにとっての学習
18
https://www.kaggle.com/c/diabetic-retinopathy-detection/overview
Severity
0 - No DR
1 - Mild
2 - Moderate
3 - Severe
4 - Proliferative DR
例: 眼底写真から糖尿病網膜症(Diabetic Retinopathy, DR)の度合いの判定をする
⼊⼒データ
予測
Deep Learningにとっての学習
を体感してみましょう
19
学習
20
https://www.kaggle.com/kmader/inceptionv3-for-retinopathy-gpu-hr
Severity 1
学習
21
https://www.kaggle.com/kmader/inceptionv3-for-retinopathy-gpu-hr
Severity 1
学習
22
https://www.kaggle.com/kmader/inceptionv3-for-retinopathy-gpu-hr
Severity 3
学習
23
https://www.kaggle.com/kmader/inceptionv3-for-retinopathy-gpu-hr
Severity 4
学習
24
https://www.kaggle.com/kmader/inceptionv3-for-retinopathy-gpu-hr
Severity 1
学習
25
https://www.kaggle.com/kmader/inceptionv3-for-retinopathy-gpu-hr
Severity 4
学習
26
https://www.kaggle.com/kmader/inceptionv3-for-retinopathy-gpu-hr
Severity 0
学習
27
https://www.kaggle.com/kmader/inceptionv3-for-retinopathy-gpu-hr
Severity 4
学習
28
https://www.kaggle.com/kmader/inceptionv3-for-retinopathy-gpu-hr
予測
29
https://www.kaggle.com/kmader/inceptionv3-for-retinopathy-gpu-hr
Severity ?
このタスクを解くためのレシピ
学習
1. 学習⽤のデータ(眼底画像とSeverityの対)を⼊⼿する(数千枚〜)
2. 画像からSeverityを5分類するためのDNNを選ぶ(e.g. ResNet50)
3. 予測確率が最良になるようにDNNのパラメータを最適化する
予測
学習で得たDNNに眼底画像を⼊⼒し、出⼒された予測確率を得る
30
このタスクを解くためのレシピ
学習
1. 学習⽤のデータ(眼底画像とSeverityの対)を⼊⼿する(数千枚〜)
2. 画像からSeverityを5分類するためのDNNを選ぶ(e.g. ResNet50)
3. 予測確率が最良になるようにDNNのパラメータを最適化する
重要なポイント
• 学習に⽤いるNeural Networksや最適化⽅法は、基本的には⼀般的な物体認識
で広く使われるものでOK
→ データさえあればタスクに対する特別な知識がなくとも適⽤できる
31
R. Poplin+, “Prediction of cardiovascular risk factors from retinal fundus
photographs via deep learning”, Nature Biomedical Engineering 2018
眼底画像から学習されたDeep Neural Networksは、
年齢、性別、BMI、⼼疾患・脳疾患リスクが⾼精度に推定できる。
眼科医も可能とは思っていなかった推定も出来ているらしい。
32
最近のMachine Learningのトピック
論⽂・実装公開を通じたオープンイノベーションにより、毎⽉のようにイノベー
ティブな⼿法が発表され続けている。
• BERTを始めとするテキストデータに対するDeep Learning Model
• Deep Neural Networksの⾃動探索(Neural Architecture Search)
• GANsによる⾼精細画像⽣成
• Graph Neural Networksをつかった構造学習
• 双曲空間を使うことにより階層構造の⾃動表現
• Contrastive Learningによる教師なし(アノテーションなし)学習の精度向上
…
33
34
AI against COVID-19
Alibaba DAMO’s AI 2020/2/15
Alibabaの研究機関DAMOが肺炎患者の胸部CT画像から新型肺炎か否かを判読可
能なAI(おそらくDeep Learningベース)を開発したと発表。
⾁眼での読影は5〜15分かかるところを20秒⾜らずで診断でき、識別精度は
96%。複数の医療機構と協⼒し、5000例以上の患者のCT画像を学習に⽤いた。
35
https://thenextweb.com/neural/2020/03/02/alibabas-new-ai-system-can-detect-coronavirus-in-seconds-with-96-accuracy/
参考 https://media.dglab.com/2020/02/19-cns-02/
Google DeepMindがCOVID-19に関係するタンパク質の
予測構造を発表 (2020/3/5)
COVID-19の治療法の確⽴のため、Google DeepMindが⾃⾝が開発した
AlphaFoldをもちいて得られた、SARS-CoV-2(COVID-19を引き起こす
ウイルス)のタンパク質の予測構造を公開。
36
https://syncedreview.com/2020/03/05/google-deepmind-releases-structure-predictions-for-coronavirus-linked-proteins/
AlphaFold
Deep Learningをつかってタンパク質の構造予測をする⼿法。隔年で開催される
CASPというタンパク質の折りたたみ構造解析コンペで他の参加者を⼤幅に上回る
精度で優勝した。
37
A. W. Senior+, “Improved protein structure prediction using
potentials from deep learning”, Nature, 2020
AlphaFoldがやっていること
1. 原⼦間の距離と結合⾓度を既
知特徴量からResNetを⽤いて
予測
2. 予測された距離・結合⾓度を
実現する原⼦の配置を、各種
ポテンシャルを最適化するよ
うに勾配降下法で最適化
38
折りたたみ構造を推定するための⽅法の構想・設計(距離・⾓度予測からの配置
最適化)に深いドメインナレッジが使われており、使われている⼤枠のML/DL⼿
法⾃体はそれほど⽬新しいものではない。異分野コラボの重要性。
Allen Institute for AIなどがホワイトハウスと共同で
COVID-19に関する学術論⽂データセットをKaggleに公開
⾃然⾔語処理の技術をつかいCOVID-19に関する新たな知⾒を発⾒する⽬的で、
AI2などがCOVID-19に関係する29,000本の学術論⽂からなるデータセット
CORD-19をKaggle上に公開。10種のタスクに対して$1,000ずつの賞⾦を⽤意。
39
https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge
関連研究: 論⽂のアブストをword2vecしたら
材料科学の未開拓領域が発⾒された?
V. Tshitoyan+, “Unsupervised word embeddings capture latent knowledge from materials science literature”, Nature 2019
40
材料科学の論⽂のアブストラクトを経年でword2vecをかけて得た結果を観察し
たところ、周期表のような構造が⾒えただけでなく、素材が論⽂として公表され
る以前にその存在を予⾔できた。
関連する話題
2018年頃からDeep Learningによる⾃然⾔語の読み書き能⼒が急速に向上した。
41
• ⽂章⽣成
• プログラム⽣成
• ヘッドライン⽣成
• 歌詞⽣成
…
⾃然⾔語⽣成
• 情報検索
• 意味・意図理解
• QA
• キーワード抽出
• センチメント分析
• ⽂書分類
…
⾃然⾔語理解
• ⽂書要約
• 機械翻訳
• チャット
…
J. Devlin+, “BERT: Pretraining of Deep Bidirectional
Transformers for Language Understanding”, 2018
Deep Neural Networksを⽤いた⾃然⾔語理解におけるイノベーションの⼝⽕と
なった⼿法。Transformerと呼ばれる機構を双⽅向に結合した強⼒なモデル
(BERT)を⼤量のテキストデータで教師なし事前学習することで、
NLPの⽂書理解系の各種タスクで当時の最⾼性能を達成。これにより、タスクご
との教師データがそれほどなくとも精度のよい予測機が作りやすくなった。
42
BERTの後継⼿法(⼀部)
現在もより強⼒でより軽量な⼿法の開発競争が続いており、⽇進⽉歩。
43https://qiita.com/LeftLetter/items/14b8f10b0ee98aa181b7
BERT
2018/10
XLNet
2019/6
学習⽅法を改善
性能向上
RoBERTa
2019/7
学習⽅法を改善
性能向上
ALBERT
2019/9
軽量化
性能向上
T5
2019/10
タスクをtext-to-text
として統⼀的に学習し
性能向上
Reformer
2019/9
軽量化しつつ
性能向上
ELECTRA
2020/3
学習⽅法を改善
性能向上
イノベーションだったBERTがすでに霞むほどの現状
44
Googleは検索エンジンにBERTを適⽤すると発表
45
https://blog.google/products/search/search-language-understanding-bert
MAPPING THE LANDSCAPE OF ARTIFICIAL
INTELLIGENCE APPLICATIONS AGAINST COVID-19
46
https://arxiv.org/abs/2003.11336
国連Global PulseやWHOなどの出⾝者によるWhite Paperが出ました!!
この短期間に想像以上に多⽅⾯の研究が繰り広げられていて驚く。
Summary / Conclusion
• Deep Learningの学習とは、データから察すること
• 基本的には⼿法は汎⽤的で、タスクに対する事前知識は初期的にはそれほど必
要ではない
• AI against COVID-19
• 素晴らしいオーバービュー論⽂ "MAPPING THE LANDSCAPE OF ARTIFICIAL
INTELLIGENCE APPLICATIONS AGAINST COVID-19”
• ドメイン知識保有者とAI研究者・開発者のコラボとオープンサイエンスが⼤事
47
Other Useful Links
• Machine Learning methods to aid in Coronavirus Response
• isaacmg/ai-virus
• soroushchehresa/awesome-coronavirus
48
https://towardsdatascience.com/machine-learning-methods-to-aid-in-coronavirus-response-70df8bfc7861
機械学習をもちいたCOVID-19に対処する取り組みのまとめ記事。
https://github.com/isaacmg/ai-virus
同著者が関連記事をまとめたリポジトリ
https://github.com/soroushchehresa/awesome-coronavirus
新型コロナウイルス関連の情報を集約したリポジトリ
49
Annotation Driven AI

Más contenido relacionado

La actualidad más candente

【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔Preferred Networks
 
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~Preferred Networks
 
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Preferred Networks
 
Retail Face Analysis Inside-Out
Retail Face Analysis Inside-OutRetail Face Analysis Inside-Out
Retail Face Analysis Inside-OutTatsuya Shirakawa
 
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...SSII
 
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔Preferred Networks
 
Lecture univ.tokyo 2017_okanohara
Lecture univ.tokyo 2017_okanoharaLecture univ.tokyo 2017_okanohara
Lecture univ.tokyo 2017_okanoharaPreferred Networks
 
【CVPR 2020 メタサーベイ】Neural Generative Models
【CVPR 2020 メタサーベイ】Neural Generative Models【CVPR 2020 メタサーベイ】Neural Generative Models
【CVPR 2020 メタサーベイ】Neural Generative Modelscvpaper. challenge
 
ICLR読み会 奥村純 20170617
ICLR読み会 奥村純 20170617ICLR読み会 奥村純 20170617
ICLR読み会 奥村純 20170617Jun Okumura
 
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]DeNA
 
NIPS2015概要資料
NIPS2015概要資料NIPS2015概要資料
NIPS2015概要資料Shohei Hido
 
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...Kazuyuki Miyazawa
 
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
20171201 dll#05 名古屋_pfn_hiroshi_maruyama20171201 dll#05 名古屋_pfn_hiroshi_maruyama
20171201 dll#05 名古屋_pfn_hiroshi_maruyamaPreferred Networks
 
How Much Position Information Do Convolutional Neural Networks Encode?
How Much Position Information Do Convolutional Neural Networks Encode?How Much Position Information Do Convolutional Neural Networks Encode?
How Much Position Information Do Convolutional Neural Networks Encode?Kazuyuki Miyazawa
 
20200910コンピュータビジョン今昔物語(JPTA講演資料)
20200910コンピュータビジョン今昔物語(JPTA講演資料)20200910コンピュータビジョン今昔物語(JPTA講演資料)
20200910コンピュータビジョン今昔物語(JPTA講演資料)Takuya Minagawa
 
勉強会用スライド
勉強会用スライド勉強会用スライド
勉強会用スライドharmonylab
 
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術Shohei Hido
 
基調講演:「多様化する情報を支える技術」/西川徹
基調講演:「多様化する情報を支える技術」/西川徹基調講演:「多様化する情報を支える技術」/西川徹
基調講演:「多様化する情報を支える技術」/西川徹Preferred Networks
 

La actualidad más candente (20)

【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
 
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
 
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
 
Retail Face Analysis Inside-Out
Retail Face Analysis Inside-OutRetail Face Analysis Inside-Out
Retail Face Analysis Inside-Out
 
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
 
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
 
aiconf2017okanohara
aiconf2017okanoharaaiconf2017okanohara
aiconf2017okanohara
 
Lecture univ.tokyo 2017_okanohara
Lecture univ.tokyo 2017_okanoharaLecture univ.tokyo 2017_okanohara
Lecture univ.tokyo 2017_okanohara
 
【CVPR 2020 メタサーベイ】Neural Generative Models
【CVPR 2020 メタサーベイ】Neural Generative Models【CVPR 2020 メタサーベイ】Neural Generative Models
【CVPR 2020 メタサーベイ】Neural Generative Models
 
ICLR読み会 奥村純 20170617
ICLR読み会 奥村純 20170617ICLR読み会 奥村純 20170617
ICLR読み会 奥村純 20170617
 
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
 
NIPS2015概要資料
NIPS2015概要資料NIPS2015概要資料
NIPS2015概要資料
 
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...
 
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
20171201 dll#05 名古屋_pfn_hiroshi_maruyama20171201 dll#05 名古屋_pfn_hiroshi_maruyama
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
 
How Much Position Information Do Convolutional Neural Networks Encode?
How Much Position Information Do Convolutional Neural Networks Encode?How Much Position Information Do Convolutional Neural Networks Encode?
How Much Position Information Do Convolutional Neural Networks Encode?
 
20200910コンピュータビジョン今昔物語(JPTA講演資料)
20200910コンピュータビジョン今昔物語(JPTA講演資料)20200910コンピュータビジョン今昔物語(JPTA講演資料)
20200910コンピュータビジョン今昔物語(JPTA講演資料)
 
勉強会用スライド
勉強会用スライド勉強会用スライド
勉強会用スライド
 
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
 
基調講演:「多様化する情報を支える技術」/西川徹
基調講演:「多様化する情報を支える技術」/西川徹基調講演:「多様化する情報を支える技術」/西川徹
基調講演:「多様化する情報を支える技術」/西川徹
 
Ibis2016okanohara
Ibis2016okanoharaIbis2016okanohara
Ibis2016okanohara
 

Similar a 医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19

NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...
NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...
NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...DeepEyeVision, Inc.
 
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)Kshinmei
 
Cross-modality meta-survey of dataset
Cross-modality meta-survey of datasetCross-modality meta-survey of dataset
Cross-modality meta-survey of datasetcvpaper. challenge
 
インターネットで学習すべき事柄について
インターネットで学習すべき事柄についてインターネットで学習すべき事柄について
インターネットで学習すべき事柄についてTatsuya (Saeki) Takiguchi
 
【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作り
【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作り【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作り
【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作りHajime Fujita
 
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2Kuniyuki Takahashi
 
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜Keiichiro Ono
 
Data Visualization Japan Meetup 2018: 長く変化に対応する
Data Visualization Japan Meetup 2018: 長く変化に対応するData Visualization Japan Meetup 2018: 長く変化に対応する
Data Visualization Japan Meetup 2018: 長く変化に対応するKeiichiro Ono
 
【DL輪読会】StyleGAN-T: Unlocking the Power of GANs for Fast Large-Scale Text-to-I...
【DL輪読会】StyleGAN-T: Unlocking the Power of GANs for Fast Large-Scale Text-to-I...【DL輪読会】StyleGAN-T: Unlocking the Power of GANs for Fast Large-Scale Text-to-I...
【DL輪読会】StyleGAN-T: Unlocking the Power of GANs for Fast Large-Scale Text-to-I...Deep Learning JP
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1Shunsuke Nakamura
 
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状Keiichiro Ono
 
人工知能を用いた医用画像処理技術
人工知能を用いた医用画像処理技術人工知能を用いた医用画像処理技術
人工知能を用いた医用画像処理技術Yutaka KATAYAMA
 
第7回WBAシンポジウム:全脳確率的生成モデル(WB-PGM)〜世界モデルと推論に基づく汎用人工知能に向けて
第7回WBAシンポジウム:全脳確率的生成モデル(WB-PGM)〜世界モデルと推論に基づく汎用人工知能に向けて第7回WBAシンポジウム:全脳確率的生成モデル(WB-PGM)〜世界モデルと推論に基づく汎用人工知能に向けて
第7回WBAシンポジウム:全脳確率的生成モデル(WB-PGM)〜世界モデルと推論に基づく汎用人工知能に向けてThe Whole Brain Architecture Initiative
 
中国のAI産業状況、スタートアップ情報リサーチ
中国のAI産業状況、スタートアップ情報リサーチ中国のAI産業状況、スタートアップ情報リサーチ
中国のAI産業状況、スタートアップ情報リサーチYangnuoLiu
 
青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)
青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)
青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)Hironori Washizaki
 
ソーシャルビッグデータ・オープンデータによる社会構造変化の発見
ソーシャルビッグデータ・オープンデータによる社会構造変化の発見ソーシャルビッグデータ・オープンデータによる社会構造変化の発見
ソーシャルビッグデータ・オープンデータによる社会構造変化の発見Masanori Takano
 

Similar a 医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19 (20)

NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...
NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...
NeurIPS2021から見るメタ学習の研究動向 - 第83回人工知能セミナー (2022.3.7)「AIトレンド・トップカンファレンス報告会(NeurI...
 
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)
NeurIPS2021論文読み会 (parameter prediction for unseen deep architecture)
 
SOINN PBR
SOINN PBRSOINN PBR
SOINN PBR
 
Cross-modality meta-survey of dataset
Cross-modality meta-survey of datasetCross-modality meta-survey of dataset
Cross-modality meta-survey of dataset
 
インターネットで学習すべき事柄について
インターネットで学習すべき事柄についてインターネットで学習すべき事柄について
インターネットで学習すべき事柄について
 
【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作り
【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作り【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作り
【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作り
 
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
 
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
 
20150930
2015093020150930
20150930
 
Data Visualization Japan Meetup 2018: 長く変化に対応する
Data Visualization Japan Meetup 2018: 長く変化に対応するData Visualization Japan Meetup 2018: 長く変化に対応する
Data Visualization Japan Meetup 2018: 長く変化に対応する
 
【DL輪読会】StyleGAN-T: Unlocking the Power of GANs for Fast Large-Scale Text-to-I...
【DL輪読会】StyleGAN-T: Unlocking the Power of GANs for Fast Large-Scale Text-to-I...【DL輪読会】StyleGAN-T: Unlocking the Power of GANs for Fast Large-Scale Text-to-I...
【DL輪読会】StyleGAN-T: Unlocking the Power of GANs for Fast Large-Scale Text-to-I...
 
Jaspug 2010
Jaspug 2010Jaspug 2010
Jaspug 2010
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
 
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
 
人工知能を用いた医用画像処理技術
人工知能を用いた医用画像処理技術人工知能を用いた医用画像処理技術
人工知能を用いた医用画像処理技術
 
第7回WBAシンポジウム:全脳確率的生成モデル(WB-PGM)〜世界モデルと推論に基づく汎用人工知能に向けて
第7回WBAシンポジウム:全脳確率的生成モデル(WB-PGM)〜世界モデルと推論に基づく汎用人工知能に向けて第7回WBAシンポジウム:全脳確率的生成モデル(WB-PGM)〜世界モデルと推論に基づく汎用人工知能に向けて
第7回WBAシンポジウム:全脳確率的生成モデル(WB-PGM)〜世界モデルと推論に基づく汎用人工知能に向けて
 
cnnstudy
cnnstudycnnstudy
cnnstudy
 
中国のAI産業状況、スタートアップ情報リサーチ
中国のAI産業状況、スタートアップ情報リサーチ中国のAI産業状況、スタートアップ情報リサーチ
中国のAI産業状況、スタートアップ情報リサーチ
 
青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)
青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)
青山幹雄先生を偲んで(開拓、理論、実践、コミュニティ&国際)
 
ソーシャルビッグデータ・オープンデータによる社会構造変化の発見
ソーシャルビッグデータ・オープンデータによる社会構造変化の発見ソーシャルビッグデータ・オープンデータによる社会構造変化の発見
ソーシャルビッグデータ・オープンデータによる社会構造変化の発見
 

Más de Tatsuya Shirakawa

2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phrase2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phraseTatsuya Shirakawa
 
Taskonomy: Disentangling Task Transfer Learning -- Scouty Meetup 2018 Feb., ...
 Taskonomy: Disentangling Task Transfer Learning -- Scouty Meetup 2018 Feb., ... Taskonomy: Disentangling Task Transfer Learning -- Scouty Meetup 2018 Feb., ...
Taskonomy: Disentangling Task Transfer Learning -- Scouty Meetup 2018 Feb., ...Tatsuya Shirakawa
 
Learning to Compose Domain-Specific Transformations for Data Augmentation
Learning to Compose Domain-Specific Transformations for Data AugmentationLearning to Compose Domain-Specific Transformations for Data Augmentation
Learning to Compose Domain-Specific Transformations for Data AugmentationTatsuya Shirakawa
 
Poincare embeddings for Learning Hierarchical Representations
Poincare embeddings for Learning Hierarchical RepresentationsPoincare embeddings for Learning Hierarchical Representations
Poincare embeddings for Learning Hierarchical RepresentationsTatsuya Shirakawa
 
Improving Variational Inference with Inverse Autoregressive Flow
Improving Variational Inference with Inverse Autoregressive FlowImproving Variational Inference with Inverse Autoregressive Flow
Improving Variational Inference with Inverse Autoregressive FlowTatsuya Shirakawa
 

Más de Tatsuya Shirakawa (8)

2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phrase2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phrase
 
Taskonomy: Disentangling Task Transfer Learning -- Scouty Meetup 2018 Feb., ...
 Taskonomy: Disentangling Task Transfer Learning -- Scouty Meetup 2018 Feb., ... Taskonomy: Disentangling Task Transfer Learning -- Scouty Meetup 2018 Feb., ...
Taskonomy: Disentangling Task Transfer Learning -- Scouty Meetup 2018 Feb., ...
 
Hyperbolic Neural Networks
Hyperbolic Neural NetworksHyperbolic Neural Networks
Hyperbolic Neural Networks
 
Learning to Compose Domain-Specific Transformations for Data Augmentation
Learning to Compose Domain-Specific Transformations for Data AugmentationLearning to Compose Domain-Specific Transformations for Data Augmentation
Learning to Compose Domain-Specific Transformations for Data Augmentation
 
Icml2017 overview
Icml2017 overviewIcml2017 overview
Icml2017 overview
 
Poincare embeddings for Learning Hierarchical Representations
Poincare embeddings for Learning Hierarchical RepresentationsPoincare embeddings for Learning Hierarchical Representations
Poincare embeddings for Learning Hierarchical Representations
 
Dynamic filter networks
Dynamic filter networksDynamic filter networks
Dynamic filter networks
 
Improving Variational Inference with Inverse Autoregressive Flow
Improving Variational Inference with Inverse Autoregressive FlowImproving Variational Inference with Inverse Autoregressive Flow
Improving Variational Inference with Inverse Autoregressive Flow
 

医療ビッグデータの今後を見通すために知っておきたい機械学習の基礎〜最前線 agains COVID-19