Checking your browser before accessing the website. This process is automatic. Your browser will redirect to your requested content shortly. Please wait a few seconds.
材料開発の分野で人工知能(AI)の“頭の中”を理解する研究が進んでいる。AI技術は材料開発の強力な武器として新材料の候補をいくつも提案しているものの、材料研究者はその判断の過程を解釈できなかった。そこでAIと材料の研究者たちがタッグを組み、AIの頭の中を解読しつつ、解読可能な手法を開発している。この取り組みはAIがさまざまな異分野に使われるためのモデルケースになる。 信用させるには―深層学習だけに頼らず 「この3年、本当に勉強になった」と物質・材料研究機構の徐一斌(しゅういーびん)データプラットフォーム長は振り返る。熱伝導材料の開発にAI技術を利用し、新しい断熱材料を開発することに成功した。 徐プラットフォーム長は、材料研究の中でも実験系の出身だ。材料を合成し、実際のモノで性能を確かめることを重視する。「実験と計算の結果が合わないことは幾度も経験してきた。その上でAIを信じて新領域に踏み出
この投稿は米国時間 3 月 26 日に投稿されたもの(投稿はこちら)の抄訳です。 Posted by Google Cloud デベロッパー アドボケイト 佐藤一憲 この 3 つのラーメンは、41 店舗あるラーメン二郎のうち 3 店舗で作られたものです。それぞれ、どの店舗で出されたものか分かりますか? データ サイエンティストの土井賢治さんが作成した機械学習(ML)によるラーメン識別器を使えば、それぞれの微妙な盛り付けの違いを見分けることで、95% の精度で店舗を特定できます。 この写真を見ても分かるとおり、ラーメン二郎の相当コアなファンでもなければ、ラーメン画像から 41 店舗のどこで作られたかを見分けることは簡単ではありません。テーブルやどんぶりの色、形にあまり違いのない場合が多いのです。 土井さんは、ディープ ラーニングを使ってこの問題を解けるか興味を持ち、インターネット上から 48
2018/5/9 追記 寄稿連載「植田かもめの『いま世界にいる本たち』」でも本書を取り上げました! 翻訳版「あなたを支配し、社会を破壊する、AI・ビッグデータの罠」が2018/6/13に発売! Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy コンピュータは人を差別するだろうか? 本書"Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy"('数学'破壊兵器:ビッグデータはいかに不平等を助長し民主主義を脅かすか)は、人間の主観に頼らず客観的で中立的な分析を目指したはずのデータ活用に潜む罠を提起する。 データサイエンティストである著者のキャシー・オニー
【2月24日 カーリング女子3位決定戦 日本対イギリス】 イギリスが有利な後攻で始まった試合は、両チームとも一歩も譲らず、第8エンドまで後攻が1点を取り合う形で進んだ。第9エンド、LS北見の日本はイギリスのミスから1点スチールに成功。そして、第10エンド。イギリスが勝ちを狙って2点を取りにいくラストショットが失敗しLS北見が1点をスチール、5−3で勝利し、カーリングで初めて日本がオリンピックメダルを獲得した。 ゲームが動き出した第8エンドから第10エンドのラストショットを中心に、山本研究室のカーリング戦略AI「じりつくん」が分析した。 残り3エンドで1点差負けの状況で、「じりつくん」はLS北見の勝率を44%と見積もりました。序盤から中盤のように1点ずつを取り合う形で進むと同点で最終エンドを終え、LS北見が不利な先攻でエクストラエンドを戦わなくてはならず、仮に第8エンドでLS北見が得点しても
『ハリー・ポッターと巨大な灰の山らしきものの肖像』 AIにハリポタ全巻喰わせて、新作を生成させたそうな。まあご覧あれ。 Botnik Studios こいつを見て、あまりに感動してしまいました。この支離滅裂、異常な構想力、唐突な破綻ぶり。デスイーターたちが何だか知らないけど無意味にやおいらしきものを始めるところ。人工知能には創造性がないとかいっている連中がいるけれど、これでも、あるいはアルファゼロの囲碁でもそうだけれど、むしろ人工知能が明らかにしているのは、ぼくたち人間の知能や創造性と称するものがいかに制約されていて、型にはまっているかということだと思う。ウィリアム・バロウズが人間の矮小な構成力とキャパシティでほんの片鱗だけやってみせたことを、人工知能は鼻くそほじりながら(比喩的に)一瞬でやってのけている。 追記:このプロセスについてもう少し詳しく見た人がいる。これは本当にほぼカットアップ
[東京 20日 ロイター] - 東京大学出身の研究者らが、日本銀行の金融政策決定会合後に開催される黒田東彦総裁の記者会見の映像を人工知能(AI)モデルを使って分析し、その表情と金融政策の変更との間に相関関係を確認したと発表した。世界初の試みとされ、将来的に、日銀が次の会合で金融政策を変更するかどうかの予測に応用できる可能性がある。 10月20日、東京大学出身の研究者らが、日本銀行の金融政策決定会合後に開催される黒田東彦総裁の記者会見の映像を人工知能(AI)モデルを使って分析し、その表情と金融政策の変更との間に相関関係を確認したと発表した。写真は都内の日銀本店で9月撮影(2017年 ロイター/Toru Hanai) <人が分析できない「感情」をスコア化> 研究を行ったのは、ともに東大大学院の新領域創成科学研究科で学んだ水門善之氏(野村證券金融経済研究所)と勇大地氏(米マイクロソフト)。論文の
今回はadversarial exampleについて解説していきます。Adversarial exampleというのは、下図のように摂動を与えることによりモデルに間違った答えを出力させてしまうもののことです。 この例では、もともとモデルがパンダと正しく分類することができていた画像に摂動を与えることで、テナガザルと誤分類させています。しかし、人間には元の画像との違いはほとんど分からず、パンダのままに見えます。 Adversarial exampleは機械学習モデルを実用化していく上で大きな問題となります。例えば、交通標識をadversarial exampleにしてしまえば、自動運転車をだませてしまう可能性があります。 注目を集めてきている研究分野ですが、まだちゃんと調べたことがないという人も多いかと思います。今回もなるべく丁寧に解説していきたいと思います。 目次 基礎 攻撃 防御 論文紹介
印刷される方はこちらをご覧ください(PDF形式、1,071kバイト) このニュースリリース記載の情報(製品価格、製品仕様、サービスの内容、発売日、お問い合わせ先、URL等)は、発表日現在の情報です。予告なしに変更され、検索日と情報が異なる可能性もありますので、あらかじめご了承ください。なお、最新のお問い合わせ先は、お問い合わせ一覧をご覧下さい。 2017年9月5日 国立大学法人京都大学 株式会社日立製作所 AIの活用により、持続可能な日本の未来に向けた政策を提言 国や自治体の戦略的な政策決定への活用をめざす 国立大学法人京都大学(総長:山極 壽一/以下、京都大学) こころの未来研究センター広井教授らは、文理融合共同研究の一環として、京都大学の人文・社会科学系研究部門の社会構想と政策課題に関する知見を株式会社日立製作所(執行役社長兼CEO:東原 敏昭/以下、日立)の人工知能(AI)技術と融合
技術動向についていくことは多くの労力を必要とする。次々に新しい論文が発表されるためだ。 一方で最新論文さえも長年の地道な積み重ねの上にあることを、その引用文献から気付かされる。 ディープラーニングブームの流れも変わるのだろうか? 勉強のため、2017年2月28日付けでarXivに投稿されたZhi-Hua Zhou, Ji Feng「Deep Forest: Towards An Alternative to Deep Neural Networks」を翻訳した。 訳には誤りがないよう注意を払いましたが、完全であることを保証できないため、実装等の際には元論文を参照願います。 原文: Deep Forest: Towards An Alternative to Deep Neural Networks https://arxiv.org/abs/1702.08835 https://arxiv
Copy<!-- Typekit: Update the link below with your Typekit ID --> <link rel="stylesheet" href="https://use.typekit.net/gnx8fcu.css"> <!-- Add your analytics script here --> <!-- I use Fathom, it’s a great alternative to Google Analytics with a minimal dashboard and a focus on privacy. Please consider using my referral link when creating an account: https://usefathom.com/ref/CSKBJR --> <!-- Favicon:
学会用のポスターを作るのが面倒くさいという科学者共通の悩みから生まれた、ある意味不真面目(?)な試み。 論文のテキストからコンテンツを抽出した後、各パネル要素(Abstruct, Conclusionなど)の大きさやアスペクトなどを、要素の文字数などを入力として学習済みのベイジアンネットワークに推論させて、読みやすいパネルレイアウトを自動生成することができるらしいです。 コンテンツ抽出後の全体の処理を、 ・大雑把なパネル要素の推定 ・パネルレイアウトの生成 ・各パネルの装飾 の3つに分けて、それぞれで違うアルゴリズムを使って学習させているのが肝みたいです。 下画像の真ん中のポスターが、このシステムで生成したポスターみたい。 下の2つ動画にある、漫画のレイアウトの自動生成の研究が先行研究らしく、こちらも面白いです! Researchers often summarize their work
: In machine learning, computers apply statistical learning techniques to automatically identify patterns in data. These techniques can be used to make highly accurate predictions. Keep scrolling. Using a data set about homes, we will create a machine learning model to distinguish homes in New York from homes in San Francisco. First, some intuition Let’s say you had to determine whether a home is
家のキュウリが枯れてしまってから知りました。 ある程度パラメータがはっきりすれば 大規模なFPGAで処理できるかもしれません。 12月3日の大垣ミニメーカーズフェアでデジタルフィルタの人と会えたら話してみます。 返信削除
概要: 本研究では,ディープネットワークを用いて白黒画像をカラー画像に自動変換する手法を提案する.提案手法では,画像の大域特徴と局所特徴を考慮した新たな畳込みネットワークモデルを用いることで,画像全体の構造を考慮した自然な色付けを行うことができる.提案モデルにおいて,大域特徴は画像全体から抽出され,局所特徴はより小さな画像領域から計算される.これらの特徴は“結合レイヤ”によって一つに統合され,色付けネットワークに入力される.このモデル構造は入力画像のサイズが固定されず,どんなサイズの画像でも入力として用いることができる.また,モデルの学習のために既存の大規模な画像分類のデータセットを利用し,それぞれの画像の色とラベルを同時に学習に用いることで,効果的に大域特徴を学習できるようにしている.提案手法により,100年前の白黒写真など,様々な画像において自然な色付けを実現できる.色付けの結果はユー
test models. [PATTERN1]: English only. 2015-10-19 08:08:39,112 [INFO] #data: 26 2015-10-19 08:08:39,186 [INFO] correct: v, answer: capsV => RIGHT 2015-10-19 08:08:39,186 [INFO] correct: g, answer: capsT => WRONG 2015-10-19 08:08:39,186 [INFO] correct: s, answer: capsE => WRONG 2015-10-19 08:08:39,187 [INFO] correct: o, answer: capsD => WRONG 2015-10-19 08:08:39,187 [INFO] correct: i, answer: capsZ
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く