2014/12/10
6時にアラームをかけていたのだが、5時半頃起床。
シャワーを浴びて、6時半頃朝食。今日は麺をゆでてもらう。
そのあと部屋に戻って仕事。PCがブルースクリーンになり、不吉な予感。
PCを使うのもイヤになったのでテレビを見る。カラオケを流してるチャンネルがあった。
8時過ぎにホテルをチェックアウトして、荷物を預かってもらう。
必要最小限の荷物だけを持って会場入り。
8:30からオープニングセレモニー。最初にJay Kuo会長の挨拶とAPSIPAの活動報告。今回の学会バックが40ドルという驚きの事実を紹介。
次に実行委員長の挨拶。開催地がチェンマイからシェムリアップに変わった経緯の説明など。
Technical Committee Chairの挨拶。採択率323/380。一般セッションは66〜80%の採択率。国別だと日本、中国、タイ、台湾、シンガポール、韓国の順。
次はキーノート。タイトルがそそる。
・Ramanujan-sums and Digital Signal Processing (P. P. Vaidyanathan, Caltech)
最初にラマヌジャンの生涯の紹介。
DFTは複素指数関数の累乗を基底とするが、データ長の約数の周期をもつ信号しか厳密には表現できない（そうでない場合はサイドローブが現れ、周波数領域信号のスパース性が崩れる）。
また、信号の周期を知る問題は、スペクトル推定とは違う問題。異なる周期を持つ2つの信号を加算すると、加算信号の周期は2つの信号の最小公倍数になるが、その長さは通常の窓長よりも長いことが多く、窓の中では周期性がわからなくなる。
Ramanujan sums (1918)：c_q(n)=\sum_{k=1,(k,q)=1}^q \exp(j2\pi kn/q)
（(k,q)=1 はkとqが互いに素の意味。(k,q)は2数の最大公約数）
c_q(n)は周期qを持ち、基底になる。また、Ramanujan sumは整数値を持つ。
これを使って、Ramanujanは「ある数の約数の数」「ある数の約数の和」などの公式を導いている。
Ramanujan sumによる信号表現 x(n)=\sum_{q=1}^N a_q c_q(n)
係数a_qはCarmichael's formulaによって（極限として）求めることができる。
ラマヌジャン基底の性質：
よい点 整数基底、1からqまでの周期を表現する
悪い点 直交性がない
Ramanujan sumを巡回シフトした行列を基底とした信号表現。
Ramanujan subspaceの構成。整数のみによる基底によって構成できる。
信号をRamanujan subspaceに射影することで、隠れた周期性を持つ信号もスパースに表現することができる。
Ramanujan sumを列に持つ行列を、スパース信号処理における「辞書」として考えることができる。
いくつかの例（素数周期を持つ信号の和、時間的に周期が変化する信号の分析）。
2次元信号処理への応用。
数論の電気通信分野への応用の歴史：通信符号化、建築音響、などなど
質疑は結構活発だった。時間を5分ほど過ぎてコーヒーブレイク。
10:30から次のセッション。
Emotional Speech Processing for Human-Machine Interaction
Emotion Analysis of Children's Stories with Context Information (A*STARほか)
童話の文から感情を推定する。広く行われている「文の主観性の予測」に含まれる研究だが、「感情的な文」は「主観的な文」と関連するが同じではない。グリム、アンデルセン、ポッターの3作者の童話中の文の分析。ニュートラル文と感情文の間の遷移確率分析など。次に、文章中の各文の感情遷移をHMMでモデル化。状態は「中立」「感情的」の2状態。特徴量は、！や？の有無、ポジティブ・ネガティブ単語の出現頻度、感情語（happy, surpriseなど）や主観語（nice, cuteなど）の有無。SVMとTERM（感情語を使ったナイーブベイズ識別）と比較。結果のスライドが細かすぎてよくわからないが、HMMが最も高性能というわけでもないようだ（F値ではナイーブベイズがいいらしい）。最後に複数識別器を組み合わせ。
Emotional Facial Expression Transfer based on Temporal Restricted Boltzmann Machines (Nanyang Tech U)
キャプチャされた表情を基に、中立表情のアニメーションに感情表情を与える。基本的な方法は顔の筋肉をモデル化して表情を作る方法。そのため、入力表情から特徴量を抽出し、それをアニメーションの表情パラメータに写像する。入力データは顔にマーカーをつけて複数カメラで撮影したモーションキャプチャデータ。入力のモデル化にTemporal Restricted Boltzmann Machineを使う（画面がよく見えず声も小さいので、通常のRBMと何が違うのかよく理解できなかった。RNNみたいなものかな）。
Multimodal Continuous Affect Recognition based on LSTM and Multiple Kernel Learning (Northwestern Polytechnical Uほか)
音声と画像を使った、感情の空間座標推定（4次元: arousal, valence, expectancy, power）。推定にLSTM-RNNを使う。また、各モダリティの出力を組み合わせるのにマルチカーネル回帰を使う。出力された感情座標の次元ごとの相関を評価基準にしている。相関は0.15〜0.36ぐらい。
Sentiment Analysis of Chinese Micro-blog using Vector Space Model (Peking U)
マイクロブログの感情推定。わかりやすいプレゼンだが、使っている技術はふつう。微博の投稿を形態素解析し、感情語の単語ベクトルを作成して識別。こまかい処理として、！や？が連続しているときには最大2個までに正規化するとか、否定語の処理とか。識別はSVM。ポジティブ・ネガティブ識別で80%ぐらい。
Ensamble Nystrom Method for Predicting Conflict Level from Speech (A*STAR)
Conflictが何なのかよくわからない（発話競合？）。特徴量も謎。利用データはSSPNet Conflict Corpus。Nystrom method （本当はｏはウムラウト付き）は大規模なカーネル学習をする方法らしい。
ここで午前の発表は終わり。午後からポスターセッションなので、まず持ってきたポスターを貼る。
コーヒーブレイクのおやつが多かったので、あまり腹が減っていない。そこで昼食は抜いて、そのかわりにオールドマーケットに行ってみることにした。ホテル前に待機しているトゥクトゥクを拾ってオールドマーケットまで。
この辺がオールドマーケットか。
建物の中は、いかにもそれらしい感じ。
中心部は生鮮食品市場。生臭い
市場の食堂。インスタントラーメンとか出してるようだった
ソーセージ屋
オールドマーケットの外側には果てしなくおみやげ屋が広がる。何かおみやげを買おうと物色。買って役に立ちそうなものはないなぁ。
マーケットの端はシェムリアップ川。
結局、昨日買ったのと似たようなセメントリサイクルのバッグで、魚の柄でちょっと大きい奴と、アンコールワットの置物（研究室の世界遺産コーナー用）。20ドルを値切って10ドル
ハーブティー。１袋1ドルを3袋買うから2ドルにしろと交渉したら、6袋買ったら5ドルにしてやると言われてつい6袋買ってしまう。
そのほかに、3.50ドルのお菓子を3つ9ドルで買って、こんなもんでいいだろうということで離脱。トゥクトゥクでホテルに戻る。
13時過ぎに会場。13:30からポスターセッションだが、客は少ない。
15:00からコーヒーブレイクで、セッションは15:15までだが、結局15:30ぐらいまで説明をする。コーヒーブレイクの残りをもらって・・・なんだこれ？
説明にはFruit Sushiとある。和菓子だと思えば・・・まあ食べられなくもない。
午後後半のセッションに15分ほど遅れて入る。
Emotion Recognition and Synthesis
Tuning Intonation with Pitch-Accent Decomposition for HMM-based Expressive Speech Synthesis (NICT)
聞けなかった。
Toward Affective Speech-to-Speech Translation: Strategy for Emotional Speech Recognition and Synthesis iin Multiple Languages (JAIST)
赤木先生。感情情報を保存する音声翻訳のための感情認識と感情音声合成。感情モデルとして3層モデルを定義。2次元感情空間内での発話分布を異なるいくつかの言語について比較すると、ニュートラルの位置が言語ごとに異なることがわかった。それを受けて複数言語の感情推定をする。（合成は時間がなくてスキップ）スライドがよく見えなかった。
Robust Emotion Recognition in Live Music Using Noise Suppression and Hierarchical Sparse Representation Classifier (National Central U)
歌からの感情推定。ターゲットはhappiness,anger,sad,peace。特徴量は音楽感情推定として一般的なものを使っている。雑音除去法として雑音部分空間法を使う。後段にsparse representation classifierを使うと言うことだが、何のために使うのかいまいちわからない。感情ごとに異なるスパース表現辞書を作るということか？
Exemplar-based Emotional Voice Conversion Using Non-negative Matrix Factrization (Kobe U)
有木研。声の感情を変化させる声質変換。NMFによる声質変換は、元話者と変換先話者でそれぞれ対応する基底スペクトルを作っておいて、片方でアクティベーションを推定して、それをつかってもう片方のスペクトルを作るという方法。ここではその方法でスペクトルとF0を変換する。
Proposal of a Depression Detector (A*STAR)
発表者がこなくてビデオ発表。なんかよく聞こえなかったので途中で退出してしまった。寒いし。
飛行機にはまだだいぶ時間があるのだが、居場所もないのでとりあえず空港に行くことに。まずホテルに戻り
荷物をピックアップして、ホテル前にいるトゥクトゥクをつかまえて空港まで。値段は6ドルだというので、来るときは5ドルだったと行って値切る。
空港に着いたが、細かい札がない。
運ちゃんはお釣りがないという（そんなわけはないだろうと思うのだが）。しかたないので空港の中に入り、コーヒーショップでコーヒーを買って、お釣りで5ドルを払う。
空港内はがらんとしていて、あまり待合いできそうな所はない。
まだチェックインが始まっていないので、しばらく待っていたが、作業をしたかったので、さっきのコーヒーショップでもう一度コーヒー。ついでに、万一のことを考えて食べ物も食べておこうと思い、スペシャルツナサンドを頼む。何がスペシャルなのかは謎。パンはトーストしてあって、おいしい。
食べながらメールを読み書きして、その後日記を書く。ここでぎりぎりの時間まで粘ればよかったのだが、出発まで2時間半ぐらいの所で我慢できずに店を出てしまった。カウンターはなかなか開かず、結局また30分ぐらいただ立って待っていることに。
19時半頃カウンターが開く。早速並んでみたが、よく見たら便名が違う。私の乗るホーチミン行き便は21:40発のはずだったのだが、21:40発のベトナム航空便は違う便名になっていて、私の乗る便（アンコール航空のコードシェア）は21:35発になっていた。これは地雷だな。あわててアンコール航空の方に並ぶ。
無事チェックインして、セキュリティゲートを抜ける。出国の時に出発税25ドルを取られるという情報があったのだが、何もとられなかった。e-visaの料金に入っていたのかな。
シェムリアップ空港の出発ロビーには、結構お店がある。ざるで作ったクリスマスツリーとか。
なんとデイリークイーンがあったので（ハンバーガーは売ってなかった）、スムージーを飲みながら日記を書く。
ボーディングパスにはゲート番号３となっていたので、時間ちょっと前に3番ゲートに行ってみたが、よく見たら私が乗らない方のホーチミン行きだった。まったく油断ならないぜ。あらためてゲートを確認したら6番だった。
ゲートから歩いて飛行機に乗り込む。
飛行機の中ではおおむね寝ていく。今回はすぐ乗り継ぎなので、水のボトルはもらわなかった。
22時半頃ホーチミン着。ターミナルまではバス。
そしてまたあの乗り継ぎゲート。いい加減にして欲しい。
15分ぐらい並んでセキュリティゲートを通る。出発ロビーに出て、出発ゲートを確認。せっかくの東南アジア最後の食事がツナサンドはちょっと残念な感じなので、なんかないのかと思ってフードコートへ。フォーの店があったので、試してみる。
横の生野菜をどうしていいのかよくわからなかったが、とりあえず汁につっこんで食べた。
ちょっと幸せな気持ちでゲートへ。ボーディングパスには15番と書いてあるが、確認したら16番ゲートだった。だまされないぞ。
出発ゲートの待合いは混んでいる。何とか席を見つけて、しばらく日記を書いたり。
15番ゲートのANA便が出発すると、すこし空席が多くなって余裕が出た。20分ほどさらに日記を書き、日付が変わるあたりで出発。
前の日へ 目次へ 次の日へ