BEGIN:VCALENDAR VERSION:2.0 PRODID:-//https://techplay.jp//JP CALSCALE:GREGORIAN METHOD:PUBLISH X-WR-CALDESC:機械学習 名古屋 研究会 #6 X-WR-CALNAME:機械学習 名古屋 研究会 #6 X-WR-TIMEZONE:Asia/Tokyo BEGIN:VTIMEZONE TZID:Asia/Tokyo BEGIN:STANDARD DTSTART:19700101T000000 TZOFFSETFROM:+0900 TZOFFSETTO:+0900 TZNAME:JST END:STANDARD END:VTIMEZONE BEGIN:VEVENT UID:692434@techplay.jp SUMMARY:機械学習 名古屋 研究会 #6 DTSTART;TZID=Asia/Tokyo:20180913T190000 DTEND;TZID=Asia/Tokyo:20180913T210000 DTSTAMP:20260503T152835Z CREATED:20180824T060507Z DESCRIPTION:イベント詳細はこちら\nhttps://techplay.jp/event/69243 4?utm_medium=referral&utm_source=ics&utm_campaign=ics\n\n機械学習 名 古屋 研究会\nモチベーション\n月に1本は論文を読もう ！\n機械学習/AI 界隈では、日々の研究成果が『論文』 として1日に何本も発表されています。\n全ての論文を 個人で追うのは無理でも、月に1本くらいならなんとか なるはず。\nそれをみんなで共有すれば、効率良く何 本もの論文にふれあえる！\nそこで、機械学習名古屋 は通常の勉強会とは別の 研究会 を立ち上げました。\n 月1程度で集まって、みんなで『読んだ論文の共有』を しましょう！\n進め方\n\n参加者は、読みたい論文 を申 告する。\n参加時アンケートで『読みたい論文』を必 須項目としています。必ず 読みたい論文 を用意して から参加を申し込んでください。\n\n\n論文を開催日時 までに読んで、1ページに簡単にまとめる(※1)。\n当日 、発表（LT）する。\n↑を肴に◯◯(※2)。\n\n※1：すぐ 後で解説する「論文まとめについて」 を参照してく ださい。\n※2：質疑応答議論ツッコミ等含む\n論文ま とめについて\n論文まとめテンプレートを用意してい ます↓ \n論文まとめテンプレート \nこれは 落合陽一 氏の論文まとめ方（あるスライドの65ページ目） を参 考に Markdown 1ページに落とし込んだものです。\nこちら を利用して、Markdown でまとめを作成していただき、研 究会の GitHub リポジトリ に登録（プルリクを送る形で リクエスト）、という流れになります。\n具体的には 、↓の「第1回論文まとめディレクトリ」を参照してく ださい。\n→ 第1回論文まとめディレクトリ\n参加者は 、アンケートに回答した『読みたい論文』を読んで、 当日までにこのテンプレートを利用した Markdown による まとめを作成して頂き、研究会の GitHub リポジトリ に 登録（プルリクを送る形でリクエスト）してください 。\n（GitHub を使えない等の場合は、当日までに論文を まとめた .md ファイルを管理者宛に送付（もしくは共 有URLを提示）いただければ、プルリク代行いたします ）\nまとめ方の考え方やコツは、上述の「第1回論文ま とめディレクトリ」の各まとめを見たり、以下に挙げ る参考サイトなどを参考にしてください。\n参考\n\n高 速で論文がバリバリ読める落合先生のフォーマットが いい感じだったのでメモ - 書架とラフレンツェ\nパワ ポ版の落合先生流論文要旨のテンプレートを作ったの で配布する - 一人ぼっちのライフハック生活\n\n★前 回（台風で中止）参加予定だった方へ\n前回参加予定 ですでに読んだ論文（のまとめ）がある場合は、今回 そちらで参加して頂いてもOKです。\nもちろん「月に1 本は論文を読む！」というモチベーションの元、新た な論文を読んで頂いてもけっこうです。\n発表につい て\n1人あたりの持ち時間は「発表5分」＋「質疑応答5 分」の10分を目安とします（5分完全打ち切りLTではあ りません）。\n2時間で参加者12人全員が発表（≒12部の 論文が参加者全員で共有）できるよう、ご協力をお願 いします。\n今回の発表内容\n\n\n\n発表者\n論文\n備考\n \n\n\n\nantimon2\nGlow: Generative Flow with Invertible 1x1 Convolutions\ n第5回振替\n\n\nkmiwa\nLearning and Querying Fast Generative Models f or Reinforcement Learning\n第5回振替\n\n\nHisashiTakagi\n階層ベイ ズモデルを用いた聞き手の多様なふるまいに基づく対 話エンゲージメントの推定\n\n\n\nwkluk-hk\nNon-local RoIs for Instance Segmentation\n第5回振替\n\n\nyuji38kwmt\nBDD100K: A Diverse Driving Video Database with Scalable Annotation Tooling\n第5回振替\n\ n\nkencyke\nTFX: A TensorFlow-Based Production-Scale Machine Learning Pla tform\n第5回振替\n\n\nToshiakiSakurai\nDo Better ImageNet Models Tran sfer Better?\n第5回振替\n\n\nn-kats\nRelational inductive biases\, de ep learning\, and graph networks\n第5回振替\n\n\nnharu1san\nDissectin g Contextual Word Embeddings: Architecture and Representation\n\n\n\n\n ★参考：前回（台風で中止）の発表予定内容\n\n\n\n発 表者\n論文\n\n\n\n\nkmiwa\nLearning and Querying Fast Generative Mode ls for Reinforcement Learning\n\n\nwkluk-hk\nNon-local RoIs for Instance Segmentation\n\n\ncocomoff\nState Abstractions for Lifelong Reinforcement Learning\n\n\nantimon2\nGlow: Generative Flow with Invertible 1x1 Convol utions\n\n\nyuji38kwmt\nBDD100K: A Diverse Driving Video Database with Sc alable Annotation Tooling\n\n\nToshiakiSakurai\nDo Better ImageNet Models Transfer Better?\n\n\nn-kats\nRelational inductive biases\, deep learnin g\, and graph networks\n\n\nkencyke\nTFX: A TensorFlow-Based Production-S cale Machine Learning Platform\n\n\n\n持ち物\n\n『論文を読む！ 』という前向きな気持ち\n読んだ論文をまとめて『あ とは当日発表がんばるぞ！』という気構え\n\n参加枠に ついて\n\n紹介枠なくしました。みなさん『一般枠』で 申し込んでください。\n\n★前回参加（予定）者で今回 振り替え参加される方へ\nお手数をおかけしますが、 同じ論文で参加する場合も再度今回のイベントに参加 登録をお願いいたします。\n会場\n\n有限会社 来栖川電 算 会議室\n名古屋市中区新栄1-29-23 アーバンドエル新 栄2階\n電源・Wi-Fiあり\n LOCATION:有限会社来栖川電算 名古屋市中区新栄1-29-23 (ア ーバンドエル新栄2階) URL:https://techplay.jp/event/692434?utm_medium=referral&utm_source=ics&utm _campaign=ics END:VEVENT END:VCALENDAR