めも

メモ.

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
    • 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

  • 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

プライバシーポリシー

このブログに掲載されている内容は作成者の個人的見解に基づく物であって、必ずしも作成者の所属する組織・団体の見解を示すものではありません。また、記載が不正確であったことにより生じたいかなる損害に関しても、責任を負いかねますのでご了承ください。また、本サイトは、Amazon.co.jpを宣伝しリンクすることによってサイトが紹介料を獲得できる手段を提供することを目的に設定されたアフィリエイトプログラムである、Amazonアソシエイト・プログラムの参加者です。また、本サイトでは、第三者配信の広告サービス(Googleアドセンス、A8.net)を利用しており、ユーザーの興味に応じた商品やサービスの広告を表示するため、クッキー(Cookie)を使用しております。 クッキーを使用することで当サイトはお客様のコンピュータを識別できるようになりますが、お客様個人を特定できるものではありません。本サイトの管理者への問い合わせ、当ブログのプライバシーポリシーの詳細についてはこちらをご覧ください。