EMNLP2015読み会

Jiro Nishitoba @jnishi

これ、日本語でできるんだろうか #emnlpyomi

イルカ人間 @niam

veni, vidi, visaの元ネタは，ラテン語のveni, vidi, vici（来た見た勝った）で，カエサルが勝利を伝えた時の言葉です．で，ラテン語の教科書には，完了形の動詞の変化で必ず出てくる文です...全部，一人称現在完了系のはず． #emnlpyomi

イルカ人間 @niam

後，素性はNLP業界オンリーの用語なので外で使うと怒られますが，特徴量は，別にNLP業界内で作っても怒られないはず... #emnlpyomi

shuyo @shuyo

今日の資料です～ #emnlpyomi / [Yang+ 2015] Efficient Methods for Incorporating Knowledge into Topic Models slideshare.net/shuyo/sparse-c…

Yuta Kikuchi @kiyukuta

本日の資料です A Neural Attention Model for Sentence Summarization [Rush+2015] slideshare.net/yutakikuchi927… @SlideShareさんから #emnlpyomi

rikima @rikima

Coherence [Mimno + 2011] が指標 なんかどれもようわからん。。。

Yuya Unno @unnonouno

ユーモアのある文かどうかを判定する分類器をつくる学習。ユーモアのある文にありそうな４つの特徴を使って分類、word2vecで出きた特徴を入れると更に上がるが、これは負例とドメインが違うからな気もする #emnlpyomi

Yuya Unno @unnonouno

大規模なトピック数のLDAをやるために、must-linkやcannot-linkの制約を入れる話。評価が微妙で、他の制約を入れる系の手法が、オリジナルのLDAより結果が悪くなっているんであれば、評価指標がダメということになるんでは・・ #emnlpyomi

Yuya Unno @unnonouno

短文要約でアテンション張る話。直前に生成した数単語の埋め込みyと、入力文の各単語の別の埋め込みxを、パラメタ行列Pに対して、yPxで結合した値を各入力単語に対するアテンションとして、それで重み付けたベクトルで次の単語を予測。Chainerで作れそうだね！ #emnlpyomi

tsh @ninetyeighty4

#emnlpyomi 面白そう

やぐ @yag_ays

皆さまお疲れ様でした。EMNLP2015読み会、無事終了いたしました。参加された皆さん、お手伝いいただいた皆さん、ありがとうございました！

Fuzzy Sphere @fuzzysphere

参加してきました / EMNLP2015読み会 connpass.com/event/20393/ #emnlpyomi

rikima @rikima

EMNLP2015読み会-Long Short-Term Memory Neural Networks for Chinese Word Segmentation speakerdeck.com/rikima/emnlp20… #emnlpyomi

コバツキー @_kobacky

@_kobacky 最近この界隈で話題になってることが何となくわかった。個人的にはキーワードを拾うのが精一杯だったけど、テーマの全体的な雰囲気がわかるのは学会参加の良い所だと思うし、EMNLP読み会もそういうのに近い価値を提供していると感じた。

Aki Ariga @chezou

EMNLP読み会、最前線の論文を読み続けている人じゃないと厳しそうなイメージを持っていて、未だにハードル高いんだよなぁ

KN @nzw0301

昨日の #emnlpyomi ，深層学習わからなかったけどLSTMとRNNだけは 「これ #juliatokyo でみたことあるやつや」 となるなどした（理解はしてないのでわからない）

KN @nzw0301

@chezou あ，トレンドはEmbeddingsでした (EMNLPのEは．Embeddingsだみたいな話がありました） / 若者頑張ります😇

rikima @rikima

わからん部分＝このl_{i}(\theta)の部分.マージン最大化であれば、正解ラベル系列であっても2位以下のラベル系列スコアとの差が¥delta(y, y_{2位以下)以下ならl_i > 0でないのか？と #emnlpyomi pic.twitter.com/f134U9Yy5z

拡大

rikima @rikima

@rikima 単純に合っていれば０で、間違っていたら l_iが損失関数であれば、上で良い。