論文紹介Federated Learning（連合学習）のサーベイ論文の紹介
Federated Learning（連合学習）の定義を確認したあと、6つの要素（データの配置のされ方、機械学習モデル、プライバシー機構、通信構造、連合のスケール、連合のモチベーション）をもとにした連合学習の分類について詳しくみていく
論文紹介
論文紹介ICLR2021の自己教師あり分布外検知の論文の紹介
SSD: A Unified Framework for Self-Supervised Outlier Detectionの解説記事。自己教師あり学習の手法の一つである対照学習で特徴空間の学習を行い、k-meansを用いて分布内データのクラスタを推定し、特徴空間におけるマハラノビス距離を計算することで、分布内データのクラスラベルを使わずに分布外検知を行う。ICLR2021でアクセプトされた論文。
論文実装PySyftを使ってMNISTを分類する
Federated Learning(FL)は、プライバシーの観点からデータを外に持ち出せないときに、複数のデータの所有者が協力して機械学習モデルを訓練する方法である。PySyftはFederated Learningのための一つのライブラリであり、PytorchやTensorflowと一緒に利用可能である。今回はPySyftの簡単な使い方を説明する。
PRML混合ガウス分布のEMアルゴリズムによる推定
PRMLのEMアルゴリズムを実装
PRML混合ガウス分布の変分ベイズ法による推定
PRMLの変分ベイズ法の実装
論文実装VAEを利用した教師なし・半教師ありクラスタリング
VAEを利用した教師なし・半教師ありクラスタリングを実装した。
論文実装特徴空間のマハラノビス距離を利用した継続学習を実装した
NIPS2018の論文であるA Simple Unified Framework for Detecting Out-of-Distribution Samples and Adversarial Attacksの実装。
論文実装ICLR2020の異常検知論文を実装してみた
Iterative energy-based projection on a normal data manifold for anomaly localizationの実装
論文紹介ICLR2021のfew-shot learningの論文を紹介
Free Lunch for Few-shot Learning: Distribution Calibrationの紹介。ベースクラスの統計量をもとに、特徴空間上でfew-shotデータの「分布」を推定することで、精度が大きく向上した (ICLR 2021 oral)