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

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
  • できればノーテーションのあるページの中で参照できるようにする

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
    • 例：matplotlib, hatch
  • 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

Psychological Advertising: Exploring Consumer Psychology for Click Prediction in Sponsored Search

• Jiang Bian, Microsoft Research Asia, Microsoft Research

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

• Hugo Larochelle, Twitter, Inc.

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