2020/2/23

朝3時半起床。明日はこれくらいに起きなければならないので、時差調整しないことにした。しばらくの間、メールを読んだり日記を書いたりして過ごす。

7時過ぎに朝食。

今日は速い時間から会議があるので、8時にホテルを出る。朝早いので、町中は人影がまばら。

広場の噴水

15分ほどで会場のホテルについたが、再度調べたらセッションは9時過ぎからだった。1時間間違えちゃったぜ。椅子に座って今日の準備など。

Session 4 (09:15 - 10:30)
Room Bellavanti: Pattern Recognition Applications and Methods
3: What Reviews in Local Online Labour Markets Reveal about the Performance of Multi-service Providers
by Joschka Kersting and Michaela Geierhos
オンライン販売でのレビューと売上の関係を調べた研究。レビューはE=コマースサイト（Amazon）からクロールして取得。レビュー文の極性分析にはWatsonを利用。ほとんどのレビューが星５だというのが面白い。レビュー文も70%がポジティブ。レビューがポジティブだと売上に貢献する。レビュー文がポジティブな場合は評価が高いが、ネガティブな場合はばらつきが大きい。

24: Supervised Machine Learning and Feature Selection for a Document Analysis Application
by James Pope, Daniel Powers, J. A. (Jim) Connell, Milad Jasemi, David Taylor and Xenofon Fafoutis
航空会社で使われている多種類の文書のスキャンから、文書のタイプを自動認識する。二値化した文書画像から文書の方向を推定したうえ、画像を4×4に分割して、領域ごとに特徴を抽出する。決定木、SVM、ランダムフォレストを比較。また特徴選択を行う。

62: Heavy Caterpillar Distances for Rooted Labeled Unordered Trees
by Nozomi Abe, Takuya Yoshino and Kouich Hirata
木構造の間の距離尺度。木構造間に編集距離を定義することができるが、その計算には木構造間の対応をとることが必要で、それは計算量が大きい。葉をすべてむしると一本しか経路が残らない木のことをCaterpillar（イモムシ木？）と呼び、Caterpillar の場合は編集距離が求められる。Heavy CaterpillarはCaterpillarの条件を緩和したもので、ある木のHeavy path（根からはじめて、一番大きい部分木の根になっている子ノードをつないでできる経路）と、それにぶら下がっている子ノードだけからなる木のこと（わかりにくい）。Heavy Caterpillar同士の編集距離をリーズナブルな時間で求めるアルゴリズムを提案。以上の内容はプレゼンではまったくわからず（発表は学生さんが原稿棒読みだった）論文を頑張って斜め読みしてようやくなんとなくわかった。

セッションが早く終わったので30分ほど仕事。

Session 5 (10:45 - 12:00)
Room De Medici: Applications
13: Simultaneous Flexible Keyword Detection and Text-dependent Speaker Recognition for Low-resource Devices
by Hiroshi Fujimura, Ning Ding, Daichi Hayakawa and Takehiko Kagoshima
東芝のグループ。ここでのターゲットはスマホよりももっと貧弱なチップ。そのようなデバイスでワードスポッティングと話者認識をするための方法。すべての計算を128ユニット×4層のNNで実現する。キーワードは当該話者が直接発話して登録することを前提とする。アイデアとして、同じネットワークをキーワード検出と話者認識のために使いまわす。キーワード検出では、posteriorgramに対する連続DPと同じような方法を使う。端点フリーのDPを新しい方法として発表しているところに新世代の息吹が感じられる。話者認識では、音素ごとにアラインメントをとって、音素認識DNNの中間層出力の音素ごとの分布から話者GMMを作る方法だが、分布を頑健に推定するためにdrop connectによって出力を水増しする。登録発話数が少ない場合にはi-vectorより高性能。

23: Hierarchical Trafﬁc Sign Recognition for Autonomous Driving
by Vartika Sengar, Renu Rameshan and Senthil Ponkumar
やたら早口のインド系英語だが何とか聞き取れた。交通標識の認識。交通標識は見かけがよく似た複数のグループからなるので、最初にグループに分けてからグループ内で識別をしようとする。往年の文字認識と似たアイデア。グループはスペクトラルクラスタリングによって自動的に結締する。CNNで一度に認識する場合より1%ちょっと改善。

94: Improving Dialogue Smoothing with A-priori State Pruning
by Manex Serras, María Torres and Arantza Pozo
音声対話システムでの対話破綻を防ぐ方法。対話が破綻しそうなときに既存の対話状態に強制的に遷移させる方法がdialog smoothing。通常は、現在の状況（対話システムで定義されていない）と最も似た状態から再開する。意味的に似た状態では、ユーザの入力に対して同じような行動をとると仮定する。そのうえで、状態間の類似度を行動（発話パターン）のコサイン類似度で定義する。新しい状態を選ぶときに、無関係そうな対話状態を除去するPruning Modelを機械学習で構築する。機械学習としてMLP, NB, SVM, PA, RFなどを比較。

Keynote Lecture (12:15 - 13:15)

Toward User-adaptive Visualizations
Cristina Conati, University of British Columbia, Canada
AIによるインタラクションの個人化。ユーザの行動からユーザモデル（ユーザ知識、好み、感情etc.）を作り、自動的にインタラクションを個人化する。
可視化手法の個人化。ユーザの好み、ドメイン知識、認知能力などによって最適な可視化のやり方が異なる（エビデンス多数）。
可視化をどう個人化するか。入力としてユーザの視線を使う（アイトラッキングはカメラかTobii）。
棒グラフの個人化。認知速度、視覚と言語ワーキングメモリによって棒グラフを見たときのパフォーマンス（理解度？）が変わる。具体的には棒グラフに対する注意が変わる。研究紹介として、文章とグラフがある文書をユーザが読んでいる時に、ユーザの視線を検出し、いま読んでいる場所に関係があるグラフ（の一部）をハイライトするものが紹介された。
InfoVis（意思決定支援のための可視化ツール、商用）の個人化。認知速度、視覚・言語WM、空間記憶、視覚スキャン能力がユーザ評価に関連していた。空間記憶が弱い人は図による表示を好まなかった。アイトラッカーからの情報（fixationの回数と時間、saccadeの長さや角度など）および画面のどこを見ているか（エリアごと）を特徴量として、認知能力を予測する。５つの認知能力のhigh/lowを逐次予測をして、だいたい60～65%ぐらいの精度。
ユーザの混乱の予測。ValueChartを見ている時にユーザが混乱したかどうかのデータを取った（混乱は自己申告）。これを視線、瞳孔、頭とスクリーンの距離、マウスイベントなどから予測する。全部使って６割ぐらいの予測が可能で、頭の距離と瞳孔だけでもほぼ同じ予測が可能。Tobiiのライブラリでfixationとかを検出して識別していたが、アイトラッカーの生データからRNNとCNNで検出をしてみた。
全体として、視線を使って認知能力・認知状態を測るところに主眼があり、どのような可視化をすればどのような人にとって利点があるかについての話はあまりなかった。

このあと昼食がついているが、今日は街を見物したいので、昼食はパスしてそのまま街へ。

街中はすでにカーニバルになっている。

昼飯抜きは辛いので、スタンドでサンドイッチを買って食べながら歩く。

最初の目標は聖ヨハネ教会だったのだが、今日は日曜日なのでおやすみ。残念・・・

気を取り直して騎士団長の宮殿へ。どこも人だらけでパレードをやっているので移動するのも一苦労。

受付の人に聞いたら、今日は宮殿のほうはおやすみで、博物館だけやってるとのこと。残念だけど博物館を見ていこう。チケットを買って中へ。

博物館はどういうものかと思ったら、武器博物館だった。こりゃすげえ。フラッシュなしなら撮影可。２部屋あって、まず最初の部屋。

マスケット銃と銃剣

大砲

レイピア

いかにも痛そうな槍

業物

穂先

次に２番目の部屋。こちらは甲冑の部屋だ。ジオラマ

グランドマスターの甲冑。豪華な装飾がある

鎧の胴。凹みがリアル

これで見学を終わり、次は考古学博物館を目指す。

表通りはカーニバルで身動きがとれないので、裏通りを進む。大変エモい感じ

細い路地を降りた先に海が見える

その先の対岸には砦

路地の階段を登る。疲れる

城内入口の近くにある庭園的なところに出た

端は展望台になっていて対岸がよく見える

城の入口の道を望む

考古学博物館はメインの通りにあるので、諦めて人ごみの中へ

博物館に入る

中は新石器時代～フェニキア時代などのように区分されて陳列されている。石器などは日本で見られるものとほとんど変わりがない。

石器時代の次に謎の巨石文明があるところがマルタのすごいところ。

機織りのための石器の展示

石に刻まれたフェニキア文字

パピルス。フェニキア文字とエジプトっぽい人物像。アンクを手にしている。

これでだいたい見た。聖ヨハネ教会とグランドマスターパレスの中が見られなかったのが心残りだが、再び来るチャンスはあるだろうか。

昼飯が小さめサンドイッチ１つだったので、やや腹が減った。かといって街中は激混みなので、店に入るのも一苦労。城を出たところの聖パブリアス広場がお祭り会場になってるので、そこので店でなんか買って食おうと思って行ってみる。

行ってみると、山車が大音響しているが、人はそれほど多くない。

屋台で食物を物色して、ビーフバーガーを頼む。飲み物は水を持ってきてるので、それで。

ビーフバーガーは大変うまいのだが、量が多く、かつ食べにくい。フォークとかついてないのだが、周りを見るとみんな素手で食ってる。ちょうど消毒綿を持ってきてたので、それで手を拭いて手づかみで食う。

結構な量があり、腹一杯になったところで再び会場へ。16時過ぎからポスターセッションがある。ちょっと早めに着いちゃったのだが、会場ではコーヒーを出していたので、コーヒーを飲みながらのんびり待つ。いくつかのポスターはすでに貼ってあるので、それを眺めたり。ポスターセッションは、ICPRAM, ICAART, ICORESの3会議合同。

以下は見たものだけ。

Text Processing Procedures for Analysing a Corpus with Medieval Marian Miracle Tales in Old Swedish
Bengt Dahlqvist
ICAARTの発表。古スウェーデン語で書かれた聖母マリアの奇跡物語を書きおこしてデジタル化。Text Processingというけど表記の正規化などがメイン。これAIの会議で発表するの？とは思うが、文系的な取り組みとしては面白い。ヨーロッパの古文書はラテン語という印象があったのだが、聞いてみたら13世紀初頭にスウェーデンでラテン語を使わなくなったのこと。分析としては単語頻度分布程度。

An Efficient Approach Based on BERT and Recurrent Neural Network for Multi-turn Spoken Dialogue Understanding
by Weixing Xiong and Hongtao Liao
ポスターは貼ってあったのだが発表はなし。中国からの参加なので入国できなかったのかもしれない。音声対話の発話を理解するために、当該発話だけでなくコンテキストも入れて理解モデルに入れるというありがちな話のような気がする。

Implementation of Real-time Speech Enhancement Technique in the UAV Edge Device
by Chanjun Chun, Sang-Il Chol, Kwang Myun Jeon and Wooyeol Choi
韓国からの参加。ドローンに設置されたマイクで音を拾うために雑音除去をする話なのだが、実験ではドローンの下で三脚に固定したマイクで音を拾っている。方法はU-Net。デモもやっていて、リアルタイムで雑音が減りましたねというのをやっていたが、U-Netでリアルタイムってなかなか難しくないだろうか。他の方法との比較はなし。

Reinforcement Learning of Robot Behavior based on a Digital Twin
by Tobias Hassel and Oliver Hofmann
タイトルを見て何事かと思ったが、移動ロボットの強化学習を実際にやるのは難しいので、仮想空間上にロボットのモデルを作って試行錯誤させるという話。そういうのはシミュレーションっていうんじゃないのかなあ。

Use of Language Models for Document Stream Segmentation
by Chems Neche, Yolande Belaíd and Abdel Belaíd
複数の文書をまとめてOCRにかけちゃったあとに自動分割するため、言語モデルを使って分割点を探すという話。ニューラルネットだけ使っていたが、伝統的なHearst法とそれほど違うのかなあ。そもそも問題設定として文書の間に白紙を挟んでおくとそれで終わるのでは・・・

Predicting Depression with Social Media Images
by Stankevich Maxim, Nikolay Ignatiev and Ivan Smirnov
ロシアの発表。ソーシャルメディアに投稿された画像から、投稿者がうつ傾向かどうか判定する。画像認識によって画像に写っている物体を判定し、そのリストを機械学習にかける。F値で60%ちょっと。

大体の発表は流すだけで終わってしまった。ポスターセッション自体は1時間で終了。19時からバンケット行きのバスが出るので、1時間半ほどある。（その間、別の会議のセッションがあるらしい）バスを待ちながら座ってプログラムを書く。

19時頃バスが来て乗り込み。

バンケットはバレッタではなく近郊の町であるイムディーナまで行く。そこのBacchusというレストランが会場。今回はバレッタ以外を見る機会がなかったのでありがたいのだが、そこまで行く必要があるのだろうか。

睡眠リズムが狂っているので、バスに乗ったらすぐ寝る。目覚めたらイムディーナに着いていた。30分ぐらいかかったらしい。