Homotopy法による非線形方程式の解法
4 likes4,135 views
非線形方程式の解法にはNewton法が定番。しかし、収束は初期値に敏感であることはあまり教科書に載っていない。非常に簡単な問題でもいいので試しに指数関数が入った方程式をNewton法で解いてみるとイライラしてくるくらい初期値設定が難しいことがわかる。現実問題とはそんなもの。初期値設定を手助けする意味でHomotopy法を使ってみる。数学的には美しい理論。おもしろいのはHomotopy法を使うということは微分方程式を解いていることにつながるということ。エンジョイして欲しい。
1 of 58
Ad
Recommended
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAGIRobots 自分の知識整理のために、Attentionの起源から、Transformerの入門レベルまでの内容をスライドにまとめました
[DL輪読会]近年のエネルギーベースモデルの進展![[DL輪読会]近年のエネルギーベースモデルの進展](https://cdn.slidesharecdn.com/ss_thumbnails/energybasedmodel-200124020855-thumbnail.jpg?width=560&fit=bounds)
[DL輪読会]近年のエネルギーベースモデルの進展Deep Learning JP 1. The document discusses energy-based models (EBMs) and how they can be applied to classifiers. It introduces noise contrastive estimation and flow contrastive estimation as methods to train EBMs.
2. One paper presented trains energy-based models using flow contrastive estimation by passing data through a flow-based generator. This allows implicit modeling with EBMs.
3. Another paper argues that classifiers can be viewed as joint energy-based models over inputs and outputs, and should be treated as such. It introduces a method to train classifiers as EBMs using contrastive divergence.
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some PreliminaryDeep Learning JP 2023/1/6
Deep Learning JP
http://deeplearning.jp/seminar-2/
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State SpacesDeep Learning JP This document summarizes a research paper on modeling long-range dependencies in sequence data using structured state space models and deep learning. The proposed S4 model (1) derives recurrent and convolutional representations of state space models, (2) improves long-term memory using HiPPO matrices, and (3) efficiently computes state space model convolution kernels. Experiments show S4 outperforms existing methods on various long-range dependency tasks, achieves fast and memory-efficient computation comparable to efficient Transformers, and performs competitively as a general sequence model.
最新リリース：Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース：Optuna V3の全て - 2022/12/10 Optuna Meetup #2Preferred Networks 2022年8月にリリースしたOptunaの最新メジャーバージョンV3の開発の様子、アップデート内容等をご紹介します。
イベントサイト: https://optuna.connpass.com/event/260301/
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2Preferred Networks 2022年4月に行われたKaggle Happywhaleコンペの優勝解法におけるOptunaの使用事例について紹介します。
イベントサイト: https://optuna.connpass.com/event/260301/
【DL輪読会】Towards Understanding Ensemble, Knowledge Distillation and Self-Distil...
【DL輪読会】Towards Understanding Ensemble, Knowledge Distillation and Self-Distil...Deep Learning JP 2023/6/30
Deep Learning JP
http://deeplearning.jp/seminar-2/
最適輸送入門
最適輸送入門joisino IBIS 2021 https://ibisml.org/ibis2021/ における最適輸送についてのチュートリアルスライドです。
『最適輸送の理論とアルゴリズム』好評発売中！ https://www.amazon.co.jp/dp/4065305144
Speakerdeck にもアップロードしました: https://speakerdeck.com/joisino/zui-shi-shu-song-ru-men
ベイズ最適化によるハイパラーパラメータ探索
ベイズ最適化によるハイパラーパラメータ探索西岡 賢一郎 ベイズ最適化によるハイパーパラメータ探索についてざっくりと解説しました。
今回紹介する内容の元となった論文
Bergstra, James, et al. "Algorithms for hyper-parameter optimization." 25th annual conference on neural information processing systems (NIPS 2011). Vol. 24. Neural Information Processing Systems Foundation, 2011.
https://hal.inria.fr/hal-00642998/
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised LearningまとめDeep Learning JP Several recent papers have explored self-supervised learning methods for vision transformers (ViT). Key approaches include:
1. Masked prediction tasks that predict masked patches of the input image.
2. Contrastive learning using techniques like MoCo to learn representations by contrasting augmented views of the same image.
3. Self-distillation methods like DINO that distill a teacher ViT into a student ViT using different views of the same image.
4. Hybrid approaches that combine masked prediction with self-distillation, such as iBOT.
PRMLの線形回帰モデル（線形基底関数モデル）
PRMLの線形回帰モデル（線形基底関数モデル）Yasunori Ozaki PRML上巻勉強会 at 東京大学の資料です。
この資料はChristopher M. Bishop 著「Pattern Recognition and Machine Learning」の日本語版「パターン認識と機械学習 上 - ベイズ理論による統計的予測」について補足説明を入れた上でなるべくわかりやすくしたものです。
本資料では第３章の前半、特に3.1節を中心に解説しています。
詳しくはこちらのサイト（外部）を御覧ください。
http://ibisforest.org/index.php?PRML
[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...![[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...](https://cdn.slidesharecdn.com/ss_thumbnails/wgan-1-170224021826-thumbnail.jpg?width=560&fit=bounds)
[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...Deep Learning JP 2017/2/24
Deep Learning JP:
http://deeplearning.jp/seminar-2/
[DL輪読会]Flow-based Deep Generative Models![[DL輪読会]Flow-based Deep Generative Models](https://cdn.slidesharecdn.com/ss_thumbnails/20190307-190328024744-thumbnail.jpg?width=560&fit=bounds)
[DL輪読会]Flow-based Deep Generative ModelsDeep Learning JP 2019/03/08
Deep Learning JP:
http://deeplearning.jp/seminar-2/
[DL輪読会]Neural Ordinary Differential Equations![[DL輪読会]Neural Ordinary Differential Equations](https://cdn.slidesharecdn.com/ss_thumbnails/nnasode1-190111001755-thumbnail.jpg?width=560&fit=bounds)
[DL輪読会]Neural Ordinary Differential EquationsDeep Learning JP 2019/01/11
Deep Learning JP:
http://deeplearning.jp/seminar-2/
Triplet Loss 徹底解説
Triplet Loss 徹底解説tancoro ClassificationとMetric Learningの違い、Contrastive Loss と Triplet Loss、Triplet Lossの改良の変遷など
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative ModelDeep Learning JP NeRF-VAE is a 3D scene generative model that combines Neural Radiance Fields (NeRF) and Generative Query Networks (GQN) with a variational autoencoder (VAE). It uses a NeRF decoder to generate novel views conditioned on a latent code. An encoder extracts latent codes from input views. During training, it maximizes the evidence lower bound to learn the latent space of scenes and allow for novel view synthesis. NeRF-VAE aims to generate photorealistic novel views of scenes by leveraging NeRF's view synthesis abilities within a generative model framework.
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化Yusuke Uchida 2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降，画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった．CNNは画像分類だけではなく，セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている．本講演では，AlexNet以降の代表的なCNNの変遷を振り返るとともに，近年提案されている様々なCNNの改良手法についてサーベイを行い，それらを幾つかのアプローチに分類し，解説する．更に，実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い，それぞれ解説を行う．
Recent Advances in Convolutional Neural Networks and Accelerating DNNs
第21回ステアラボ人工知能セミナー講演資料
https://stair.connpass.com/event/126556/
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明Satoshi Hara 第20回ステアラボ人工知能セミナー
https://stair.connpass.com/event/109983/
【講演動画】
https://youtu.be/Fgza_C6KphU
【講演タイトル】
機械学習モデルの判断根拠の説明
【講演概要】
本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演の前半ではまず近年の代表的な研究について紹介する。後半では、発表者の最近の研究として「ランダムフォレストの簡略化」と「モデル列挙」について紹介する。
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介![[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介](https://cdn.slidesharecdn.com/ss_thumbnails/20191220readingpaperconvcnp-191220034420-thumbnail.jpg?width=560&fit=bounds)
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介Deep Learning JP 2019/12/20
Deep Learning JP:
http://deeplearning.jp/seminar-2/
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 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
2011年 RAMP シンポジウム講演資料
制約なし最適化問題に対するアルゴリズムの計算量解析について紹介しています．
研究室ＨＰ
http://www-optima.amp.i.kyoto-u.ac.jp
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3までYahoo!デベロッパーネットワーク 第1回Webインテリジェンスとインタラクションセミナー（いまさら訊けないシリーズ「言語処理技術」）での発表資料です。
https://www.sigwi2.org/next-sig
データを読む感性
データを読む感性Hideo Hirose Hiroshima Institute of Technology Symposium in 2018
広島工業大学シンポジウム「AIが奪う仕事、AIが創る仕事」
More Related Content
What's hot (20)
【DL輪読会】Towards Understanding Ensemble, Knowledge Distillation and Self-Distil...
【DL輪読会】Towards Understanding Ensemble, Knowledge Distillation and Self-Distil...Deep Learning JP 2023/6/30
Deep Learning JP
http://deeplearning.jp/seminar-2/
最適輸送入門
最適輸送入門joisino IBIS 2021 https://ibisml.org/ibis2021/ における最適輸送についてのチュートリアルスライドです。
『最適輸送の理論とアルゴリズム』好評発売中！ https://www.amazon.co.jp/dp/4065305144
Speakerdeck にもアップロードしました: https://speakerdeck.com/joisino/zui-shi-shu-song-ru-men
ベイズ最適化によるハイパラーパラメータ探索
ベイズ最適化によるハイパラーパラメータ探索西岡 賢一郎 ベイズ最適化によるハイパーパラメータ探索についてざっくりと解説しました。
今回紹介する内容の元となった論文
Bergstra, James, et al. "Algorithms for hyper-parameter optimization." 25th annual conference on neural information processing systems (NIPS 2011). Vol. 24. Neural Information Processing Systems Foundation, 2011.
https://hal.inria.fr/hal-00642998/
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised LearningまとめDeep Learning JP Several recent papers have explored self-supervised learning methods for vision transformers (ViT). Key approaches include:
1. Masked prediction tasks that predict masked patches of the input image.
2. Contrastive learning using techniques like MoCo to learn representations by contrasting augmented views of the same image.
3. Self-distillation methods like DINO that distill a teacher ViT into a student ViT using different views of the same image.
4. Hybrid approaches that combine masked prediction with self-distillation, such as iBOT.
PRMLの線形回帰モデル（線形基底関数モデル）
PRMLの線形回帰モデル（線形基底関数モデル）Yasunori Ozaki PRML上巻勉強会 at 東京大学の資料です。
この資料はChristopher M. Bishop 著「Pattern Recognition and Machine Learning」の日本語版「パターン認識と機械学習 上 - ベイズ理論による統計的予測」について補足説明を入れた上でなるべくわかりやすくしたものです。
本資料では第３章の前半、特に3.1節を中心に解説しています。
詳しくはこちらのサイト（外部）を御覧ください。
http://ibisforest.org/index.php?PRML
[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...
[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...Deep Learning JP 2017/2/24
Deep Learning JP:
http://deeplearning.jp/seminar-2/
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative ModelsDeep Learning JP 2019/03/08
Deep Learning JP:
http://deeplearning.jp/seminar-2/
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential EquationsDeep Learning JP 2019/01/11
Deep Learning JP:
http://deeplearning.jp/seminar-2/
Triplet Loss 徹底解説
Triplet Loss 徹底解説tancoro ClassificationとMetric Learningの違い、Contrastive Loss と Triplet Loss、Triplet Lossの改良の変遷など
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative ModelDeep Learning JP NeRF-VAE is a 3D scene generative model that combines Neural Radiance Fields (NeRF) and Generative Query Networks (GQN) with a variational autoencoder (VAE). It uses a NeRF decoder to generate novel views conditioned on a latent code. An encoder extracts latent codes from input views. During training, it maximizes the evidence lower bound to learn the latent space of scenes and allow for novel view synthesis. NeRF-VAE aims to generate photorealistic novel views of scenes by leveraging NeRF's view synthesis abilities within a generative model framework.
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化Yusuke Uchida 2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降，画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった．CNNは画像分類だけではなく，セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている．本講演では，AlexNet以降の代表的なCNNの変遷を振り返るとともに，近年提案されている様々なCNNの改良手法についてサーベイを行い，それらを幾つかのアプローチに分類し，解説する．更に，実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い，それぞれ解説を行う．
Recent Advances in Convolutional Neural Networks and Accelerating DNNs
第21回ステアラボ人工知能セミナー講演資料
https://stair.connpass.com/event/126556/
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明Satoshi Hara 第20回ステアラボ人工知能セミナー
https://stair.connpass.com/event/109983/
【講演動画】
https://youtu.be/Fgza_C6KphU
【講演タイトル】
機械学習モデルの判断根拠の説明
【講演概要】
本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演の前半ではまず近年の代表的な研究について紹介する。後半では、発表者の最近の研究として「ランダムフォレストの簡略化」と「モデル列挙」について紹介する。
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介
[DL輪読会]Convolutional Conditional Neural Processesと Neural Processes Familyの紹介Deep Learning JP 2019/12/20
Deep Learning JP:
http://deeplearning.jp/seminar-2/
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 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
2011年 RAMP シンポジウム講演資料
制約なし最適化問題に対するアルゴリズムの計算量解析について紹介しています．
研究室ＨＰ
http://www-optima.amp.i.kyoto-u.ac.jp
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3までYahoo!デベロッパーネットワーク 第1回Webインテリジェンスとインタラクションセミナー（いまさら訊けないシリーズ「言語処理技術」）での発表資料です。
https://www.sigwi2.org/next-sig
More from Hideo Hirose (20)
データを読む感性
データを読む感性Hideo Hirose Hiroshima Institute of Technology Symposium in 2018
広島工業大学シンポジウム「AIが奪う仕事、AIが創る仕事」
Derivative of sine function: A graphical explanation
Derivative of sine function: A graphical explanationHideo Hirose The derivative of a sine function can be derived by using the limit for sine function. However, it seems difficult to understand this transformation. Thus, I have drawn a figure expressing the differentiation.
sine関数微分 d sin x / dx = cos x の説明は、sineの差の公式を積に変換して、sin x / x → 1 (x → 0) を使って説明されることが多い。
ここでは、図形的に示してみた。sin x / x → 1 (x → 0) が見えないだけになっているが、結局は、、、
Success/Failure Prediction for Final Examination using the Trend of Weekly On...
Success/Failure Prediction for Final Examination using the Trend of Weekly On...Hideo Hirose H. Hirose, Success/Failure Prediction for Final Examination using the Trend of Weekly Online Testing, 7th International Conference on Learning Technologies and Learning Environments (LTLE2018), pp.139-145, July 8-12, 2018.
Attendance to Lectures is Crucial in Order Not to Drop Out
Attendance to Lectures is Crucial in Order Not to Drop OutHideo Hirose H. Hirose, Attendance to Lectures is Crucial in Order Not to Drop Out, 7th International Conference on Learning Technologies and Learning Environments (LTLE2018), pp.194-198, July 8-12, 2018.
HTT vs. HTH
HTT vs. HTHHideo Hirose How many times are we tossing coins until we observe head, tail, and head? It's ten. It's not eight. This is an intriguing result against our intuition.
統計の世界：予測を扱う科学 Statistics World: A Science of Prediction
統計の世界：予測を扱う科学 Statistics World: A Science of PredictionHideo Hirose 中学3年生から高校2年生までを対象として統計の世界を紹介する講演の概要である。まず、80段のゴルトンボードを用いて、身の回りで観測される数値には確率的なゆらぎがあることを実験的に確認した。中心極限定理にも触れた。次に、感染症拡大予測についてさまざまな予測手法を紹介し、平均的なふるまいとゆらぎについて説明した。これは、広島大学附属中学校・高等学校での2017年10月27日に行われたSSH特別講義の内容である。
Solve [X^2=A], where A is a matrix![Solve [X^2=A], where A is a matrix](https://cdn.slidesharecdn.com/ss_thumbnails/solvex2ab09-170126130944-thumbnail.jpg?width=560&fit=bounds)
Solve [X^2=A], where A is a matrixHideo Hirose Solve [X^2=A],
where A is a matrix of
A = {{13,10},{10,17}}
コーヒーはホットかアイスか 意外なことが分かった
コーヒーはホットかアイスか 意外なことが分かったHideo Hirose 暑いとアイスコーヒーの注文が多い
寒いとホットコーヒーの注文が多い
こう思うが、果たして正しいのだろうか
そこで、真夏の5日間と真冬の5日間の
ホットコーヒー、アイスコーヒー
の売り上げを調べて季節とこれらの関係を見ることにした
その結果、意外なことが分かった
多変数の極値問題は解析と線形代数の融合だ
多変数の極値問題は解析と線形代数の融合だHideo Hirose 極値を求める問題は工学系に限らずあらゆる面で利用価値のある数学の応用分野である。高校生のときには1変数の場合の極値を取り扱い視覚的にもわかりやすく理解しやすかった。しかし、大学で多変数関数の微分に入ると急に複雑に感じ始める。2変数までは視覚的に捉えられても、3変数以上になるともう感覚的に捉えることができなくなり、理解しにくくなる。極値問題を取り扱うときにも同様で、2変数まではなんとか説明されている大学の教科書も3変数以上になると省略されていることが多い。しかし、実用面から考えると3変数以上の極値を求める応用分野はとても広い。重要なテーマなのである。
ここでは主に3変数以上の極値問題をできるだけわかりやすく概観することを試みる。解析だけの知識だけでは2変数の極値問題に限られてしまうので線形代数の知識も使いながら3変数以上に汎用性を広げていく。線形代数の、行列式、固有値、固有ベクトル、直行変換、2次形式、正値（負値）などの概念を使うことになるが、逆に解析と線形代数のつながりが見えてくる重要な場面にもなっている。
Different classification results under different criteria, distance and proba...
Different classification results under different criteria, distance and proba...Hideo Hirose 分類の規準を距離の規準にとるか確率の規準にとるかで分類結果が違う。
ここではその典型例示した。
漸近理論をスライド1枚で（フォローアッププログラムクラス講義07132016）
漸近理論をスライド1枚で（フォローアッププログラムクラス講義07132016）Hideo Hirose 統計学の理論の根幹をなしている「漸近理論」はR.A. Fisherによって打ち立てられた壮大な理論体系です。普通、大学の高学年や大学院で教える内容です。それをここでは大学1年生にも分かるように簡潔に要点のみをスライド1ページで説明することを試みました。
雷の波形は指数関数（フォローアッププログラムクラス講義07072016）
雷の波形は指数関数（フォローアッププログラムクラス講義07072016）Hideo Hirose 自然界によく観られる現象は指数関数や対数関数で表されることが多いのです。ここでは雷の波形を単純な2つの指数関数の差で表して微分、極値、変曲点を学びましょう。
微分は約分ではない（フォローアッププログラムクラス講義06152016）
微分は約分ではない（フォローアッププログラムクラス講義06152016）Hideo Hirose 2016年前期フォローアッププログラムクラスで行った講義です。微分は約分に似ていますが極限をとりますので意味を考えて使い分けましょう。
Interesting but difficult problem: find the optimum saury layout on a gridiro...
Interesting but difficult problem: find the optimum saury layout on a gridiro...Hideo Hirose Even though we use a simple but ridiculous problem finding the optimum saury baking layout on a fish gridiron by Joule heat, we can invoke the interest to science by combining electrical engineering, linear algebra and probability viewpoints. These elements are, use of solving linear equation and Poisson's equation, and applying the central limit theorem to this situation. In addition, by removing the constraints, we can create a new problem free from our common sense. Presenting funny but essential problems could be another aspect for active learning using the problem of the interdisciplinary scientific methods.
Central Limit Theorem & Galton Board
Central Limit Theorem & Galton BoardHideo Hirose With 80 steps Galton boards, we can see the binomial distribution approximated to the normal distribution.
Youtube ===>>>
https://www.youtube.com/watch?v=3w4e1RQTAB8
回路方程式, ポアソン方程式, 中心極限定理による最適なサンマの焼き方
回路方程式, ポアソン方程式, 中心極限定理による最適なサンマの焼き方Hideo Hirose サンマが一尾。魚焼きの網はあるがコンロと炭がない。電気はある。
電気でサンマを焼いてみよう。
回路方程式, ポアソン方程式, 中心極限定理を用いて魚焼き網の両端から電流を流してジュール熱で魚を焼く。
さて、魚をどのように置いたらうまく焼けるだろうか。
最適な焼き方について考えてみよう。
最後にはあっと驚く発想の転換と意外な結果が。
….. 電気学会教育フロンティア研究会, FIE-16-015, pp.71-78（February 29-30, 2016）
Extended cumulative exposure model, ecem
Extended cumulative exposure model, ecemHideo Hirose The cumulative exposure model (CEM) is often used to express the failure probability model in the step-up test method; the step-up procedure continues until a breakdown occurs. This probability model is widely accepted in reliability fields because accumulation of fatigue is considered to be reasonable. Contrary to this, the memoryless model (MM) is also used in electrical engineering because accumulation of fatigue is not observed in some cases. We propose here a new model, the extended cumulative exposure model (ECEM), which includes features of both the described models. A simulation study and an application to the actual experimental case of oil insulation test support the validity of the proposed model. The independence model (IM) is also discussed.
「科学=予測」Science cafe 2011 june 10
「科学=予測」Science cafe 2011 june 10Hideo Hirose 予測の確からしさをどこまで求めるか。
サイエンスカフェ、科学は予測、インフルエンザの流行予測、血液型と性格の間の関係、メディアと情報
Parameter estimation for the truncated weibull model using the ordinary diffe...
Parameter estimation for the truncated weibull model using the ordinary diffe...Hideo Hirose In estimating the number of failures using the truncated data for the Weibull model, we often encounter a case that the estimate is smaller than the true one when we use the likelihood principle to conditional probability. In infectious disease predictions, the SIR model described by simultaneous ordinary differential equations are often used, and this model can predict the final stage condition, i.e., the total number of infected patients, well, even if the number of observed data is small. These two models have the same condition for the observed data: truncated to the right. Thus, we have investigated whether the number of failures in the Weibull model can be estimated accurately using the ordinary differential equation. The positive results to this conjecture are shown.
Ad