読者です 読者をやめる 読者になる 読者になる

学会発表のスライドの準備・練習のための参考動画のメモ

OCW 発表関係 論文・資料・スライド集 機械学習

海外と国内で発表するため、発表時間ごとの学会発表動画をメモ。 何を話しながら進めるかとQandAの練習をしないといけない。 動画は機械学習関係のみ。

練習しないと。

テンプレート

スライドの自分用チェックリスト。

参考文献: Scientific Conference Presentations, Hilary M Jones,

はじめに

  • (必要なら)初めのページで全体の概要と発表で特に覚えてもらいたい箇所を強調する。
  • 概要を示す
    • ひとこと背景
    • 取り組む課題
    • 既存手法との差分・強調したい点(実データを使った、問題設定が特別など)
    • 本スライドが最終的に示したこと

背景・研究の動機

  • 背景Aのために課題Bを解決する必要がある。
  • 既存手法Cがあるが、Dという点が考慮されていない・部分的にしか解決されていない。
    • Cの用いた手法は〜という性質からDができない。
  • そこで提案手法ではDをEをすることで行う。
    • Eは〜だからDを解決できる可能性がある。
  • Eの効果を検証するために実験Fを行い、有効であった・ある条件の下では改善したことを示す。
    • 実験Fは〜を評価する評価指標を用いて(背景に基づいた)〜を示す。
  • これからの課題として、提案手法ではGが考慮されていない。
    • Eは〜という性質上〜が考慮できていない、分析の結果〜が不十分だった。
  • Gを解決するためにはHが考えられる・Gを考慮したモデルが必要である。

提案手法(Proposed method)

  • 手法・モデルの概要
  • なぜ(多くの選択肢があるかもしれないのに)この手法か
  • モデルの詳細・新しく考慮された点
  • 必要なノーテーションを最小限・わかりやすく定義

実験(Experimental settings)

  • 実験に用いるデータセット
  • 評価指標
    • 何を評価したものか
    • 評価指標の定義を式で示す

結果・考察

  • 実験結果をグラフ・数値で示す

    • はじめに全体の結果を示す(全データでの平均など)
    • グラフのx軸, y軸, ラベル, 提案手法をわかりやすく
    • 何を示すためのグラフ・結果なのか示す
    • (必要なら)モノクロ印刷でも判別できるようなカラーフィル・マークを利用
    • グラフの値の見方(どのようになれば改善なのか)示す
      • (できる限り)提案手法による影響度合いを可視化する
  • 既存手法との比較

  • 特徴分析・有効、無効だった特徴やデータに関する考察

終わりに

  • 結論(conclusion)
    • 既存との差分
    • 実験から示されたこと
    • 展望

その他

  • タイトルにて発表日時・場所・所属
  • ページ番号
  • タイトル/そのページで一番言いたいメッセージ/詳細の関係になっているか
  • 必要ならレジュメ・補遺
  • あらかじめプロジェクタとの接続設定・Thunderbolt、Mini Display Portなどのコードの有無を確認

参考動画

チュートリアルとかと混ざってます。

15~25分

Topic Models with Power-Law Using Pitman-Yor Process

  • Issei Sato, University of Tokyo

Multi-Label Relational Neighbor Classification using Social Context Features

  • Xi Wang, Department of Electrical Engineering and Computer Science, University of Central Florida

Indefinite Scalability for Living Computation

  • David H. Ackley, University of New Mexico, Department of Computer Science

Near Real-Time Transportation Mode Detection Based on Accelerometer Readings

  • Jasna Urbančič, Artificial Intelligence Laboratory, Jožef Stefan Institute

30~60分

SIGKDD 2013 Innovation Award

  • Jon Kleinberg, Department of Computer Science, Cornell University

Mining Heterogeneous Information Networks

  • Jiawei Han, Department of Computer Science, University of Illinois at Urbana-Champaign

90分以上

Neural Networks

サイトの方でPart2に進めます。

Geometric Methods and Manifold Learning

  • Partha Niyogi, Department of Computer Science, University of Chicago
  • Mikhail Belkin, Department of Computer Science and Engineering, Ohio State University

Bayesian or Frequentist, Which Are You?

  • Michael I. Jordan, Department of Electrical Engineering and Computer Sciences, UC Berkeley