Panel (10:45 - 11:45)
People-centric, Trustworthy AI: Humans Enhancing AI and AI Enhancing Humans
by George Azzopardi, Cristina Conati,Andrea Cavallaro and Max Welling
最初にCavallaro先生のポジショントーク。スライドとか使わないで席で話すだけ。Financial Times の１面にディープラーニングの話が出ていて、数年前まで関連分野の専門用語だったものが経済紙の１面に載るとは感慨深いとの話。現在は機械と人間がシステム内で不可分になっている。アフォーダンスが重要という話のような気がする。Adversarial Exampleの話。全体にまとまりがない。
次にConati先生のトーク。先日アデレードで行われた会議で問題になったのがバイアス。人間とDigital Artifactとのインタラクション。Microsoftのクリッパーがよくない例として挙げられた（哀れだ）。AIによるartifactと対話してAIが何かをおすすめしたりした場合に、それがなぜなのかを（人間に？）理解させる必要がある(transparency)。難しい課題。説明する相手のレベル（理解力、背景知識）に併せて説明しなければならない。
最後にWelling先生。データのプライバシーは重要。Interpretability、Robustnessなどについて言及。EUに対してもっと研究に投資するように（アメリカ、中国に負ける）という話をしていて、EUでもそういう認識なんだと思った。政府の規制が強すぎるのは良くないとも（そういうのはアカデミアや投資家が考えるべきであるという考え方）。
質疑ではexplainability、interpretabilityについて議論があった。外科医が何かの判断をするときになぜその判断をしたのかを調べたけどわからなかった話とか。
28: Segmentation of Moving Objects in Traffic Video Datasets
by Anusha Aswath, Renu Rameshan, Biju Krishnan and Senthil Ponkumar
というわけで5分経ったところから聞き始める。まず通常の物体検出CNNを作成する。そのあと、複数の物体を同時にトラッキングするネットワークを提案。通常のCNNの先にトラッキングする物体の数だけCNN-DNNを並列につないでいる。検出・追跡している物体に合わせて、終端付近のネットワークを再学習することで追跡性能を上げるというのがポイントらしい。追跡を始めた物体のバウンディングボックスから、それを生成するモデルを作って、その生成パラメータを使って識別ネットワークを再学習する。また、検出した物体の形に合わせてセグメンテーションを行う。
32: Variational Inference of Dirichlet Process Mixture using Stochastic Gradient Ascent
by Kart-Leong Lim
NTUを出てA*STARに移ったばかりの人。変分推論の際の∇Lまたは∇ln(q(Θ))をどう求めるか。現在はモンテカルロ（遅い）かStochastic Gradiant Ascent（不正確）で求めている。提案法では、SGAのステップサイズを適応的に変える方法（フィッシャー情報量を使う）を提案。提案法をDPMに応用してみた。従来の方法よりも高速かつ高性能。
57: Exploring the Dependencies between Behavioral and Neuro-physiological Time-series Extracted from Conversations
between Humans and Artificial Agents
by Hmamouche Youssef, Ochs Magalie, Prévot Laurent and Chaminade Thierry
人間同士、または人間と機械のインタラクションにおける生理反応を調べるPhysSocialプロジェクトの一環。インタラクション中の脳機能画像のどの部分とどのインタラクションが関連しているのかを調べるのが目的。インタラクションにおけるさまざまな特徴からfMRIで取得した脳領域のBOLDを推定するモデルを作り、特徴選択をすることで脳のどの部分がどんなインタラクションに反応しているのかを調べる。データ取得はWOZによる疑似的な人間―機械対話による。BOLD取得間隔は1.2秒ぐらい。インタラクションの特徴として音声、顔画像、視線トラッキングを使う。音声特徴はspeech activity, オーバーラップ、笑い、フィラー、反応時間、コンテキスト依存の特定の単語の使用率など結構詳細。顔画像はOpenFaceによる特徴点とアクションユニット。機械学習モデルとして、gradient boosting, random forest, SVM, LSTMを利用。識別結果はどれを使っても大差なく、初期の目的はなんかぴりっとしない感じ。
昼食。どのレーンに並ぶのかで混乱して必要以上に時間がかかった。
Session 2 (14:30 - 16:00)
Room Buonamici: Machine Learning Methods
87: Sentiment Analysis from Sound Spectrograms via Soft BoVW and Temporal Structure Modelling
by George Pikramenos, Georgios Smyrnis, Ioannis Vernikos, Thomas Konidaris, Evaggelos Spyrou and Stavros Perantonis
音声の感情認識。画像の発表が多いからか、やけに丁寧に発表している。スペクトログラムを画像だと思ってキーポイントを検出し、Bag of Visual Word（soft decisionによる重みづけ）によって特徴量を得る。そのままやると従来法よりも悪い。時間情報を使うために、ある時間窓の中だけでBoVWを作って、その時系列をLSTMで認識。時間情報を使うのはいいけど基本周波数やスペクトル傾斜などの明らかに有効な特徴を使っていないことと、スペクトログラムは周波数軸上の位置に意味があるので位置不変な特徴を使っちゃダメじゃないかというコメントをした。
102: Learned and Hand-crafted Feature Fusion in Unit Ball for 3D Object Classification
by Sameera Ramasinghe, Salman Khan and Nick Barnes
この論文はベストペーパーになりそうだという理由で発表が後からになった。3次元非直交座標での畳み込み演算として、単位球の内部での畳み込みを定義。また、これを使って3次元物体認識のCNNを構成。従来法よりも高い性能を得た。
20: Real-time 3D Object Detection from Point Clouds using an RGB-D Camera
by Ya Wang, Shu Xu and Andreas Zell
2D-3Dリアルタイム物体検出。既存のさまざまな方法の組み合わせだが、どれをどう組み合わせると高速で高精度かを検討しているところが貢献らしい。２次元RGB画像上でYOROv3を使って物体を検出し、PointNetを使って３次元バウンディングボックスを推定する。実際にJetson TX2を使って移動ロボットに実装した。TX2で10FPSぐらい、TX2の速いやつで25FPSぐらい。GeForceを使うと100FPSぐらい出る。
45: Detection System of Gram Types for Bacteria from Gram Stained Smears Images
by Ryosuke Iida, Kazuki Hashimoto, Kouich Hirata, Kimiko Matsuoka and Shigeki Yokoyama
グラム染色された画像からバクテリアのグラム陽性/陰性と球菌/桿菌の判定をする。使用データは数十枚規模で、手法は古典的。最初に画像を二値化して、菌の領域候補を検出してから元の画像をそれに合わせて切り抜き、色分布と形状からグラム型を識別する。識別はSVMまたはDNN。発表は学生さんだが質疑はわりとグダグダだった。
Keynote 1 (16:15-17:15)
Integrating Generative Modeling into Deep Learning
Max Welling, University of Amsterdam, The Netherlands
上のタイトルはプログラム上のものだが、なぜかプレゼンのタイトルはNeural Augmentationになっていた。
先験的な知識(Inductive Bias)とデータの関係。
ベイズ則の近似としてのVAE。
White box vs. Black boxの利点と欠点。White boxは少量データに強く一般化がしやすい。Black boxはより柔軟で精度が高い。
問題例：電波天文学、MRI、誤り訂正(LDPC)
伝統的な解決法：確率的なモデル化と最急降下によるモデル最適化、belief propagation modelなど
深層学習による解決法：U-net
ハイブリッドな解決法：Recurrent Inference Network 繰り返しをRNNの時間方向として実装する
Graph NNとGraphical Recurrent Inference Network
カルマンフィルタの例など
10分遅れたので休憩ほとんどなしで次へ。
Session 3 (17:30 - 18:45)
Room Buonamici: Pattern Recognition Applications and Methods
15: Pitch-synchronous Discrete Cosine Transform Features for Speaker Identification and Verification
by Amit Meghanani and A. Ramakrishnan
タイトルの通り。音声の有声定常部を抽出し、ピッチマークをつけて１ピッチ区間だけを取り出してDCTにかける。それ自体の性能はたいして良くないが、MFCCと組み合わせると性能が上がる。
73: File Name Classification Approach to Identify Child Sexual Abuse
by Mhd Wesam Al-Nabki, Eduardo Fidalgo, Enrique Alegre and Rocío Aláiz-Rodríguez
目的はタイトルから明らか。児童ポルノ所持の疑いで押収されたHDDからブツを検出するための研究。画像処理は遅いので、ファイル名から中身を推定しようという。特徴量はファイル名の文字N-gram＋TF-IDF。識別器はロジスティック回帰, SVM, CNN（2種類）。こんなんで識別できるんかいなと思うのだが、通常画像と児童ポルノ画像でF値がそれぞれ0.96と0.74ぐらい。性能が高くてびっくり。
83: Hybrid Fuzzy Binning for Near-duplicate Image Retrieval: Combining Fuzzy Histograms and SIFT Keypoints
by Afra’a Alyosef and Andreas Nürnberger
ほとんど同じだけどちょっと違う画像の検索。SIFTによるキーポイントを使うのでやや古典的な方法か。高速化が主眼なのでCNNとかは適さないのかもしれない。最初に大局的な特徴（色ヒストグラムなど）で候補を絞ったうえでキーポイントによる検索をする。色情報を考慮するためFuzzy HS SIFTというのを使う（HSはHSVのVがないやつ）。ヒストグラムをつくるのに、画像を9分割して部分ごとにヒストグラムを作る。
