KI2018
ドイツ人工知能学会(略称:KI)は、ドイツの情報科学学会(GI)が主催する非公式な会合やワークショップから発展し、知的システム技術の理論と応用に関する研究を目的とした年次学会シリーズとなる。KIはドイツおよび近隣諸国の研究者が主に参加しているが、国際的な参加にも門戸を開いており、国際的な研究コミュニティからさまざまな投稿が続いている。
前回はKI2017について述べた。今回は、2018年9月24日から28日にベルリンで開催されたKI2018で発表された論文について述べる。今回の会議の著名な研究テーマは、機械学習、マルチエージェントシステム、およびビリーフリビジョンとなる。全体として、KI 2018はAIの現在の研究トピックについて幅広い概観を提供した。
KIカンファレンスシリーズでは恒例となっている、最優秀論文賞と最優秀学生論文賞の表彰が行われている。今年の受賞者は、PCメンバーから提供されたレビューに基づいて選出された。最優秀論文賞には、Tobias Joppen, Christian Wirth, Johannes Fürnkranzの「Preference-Based Monte Carlo Tree Search」(プリファレンス・ベースの”モンテカルロ木探索の概要とアルゴリズム及び実装例について“でも述べているモンテカルロ木探索)が選ばれた。最優秀学生論文賞に選ばれた論文は、Rustam Galimullin、Natasha Alechina、Hans van Ditmarschによる「Model Checking for Coalition Announcement Logic(連合発表論理のモデル検査)」となる。
KI 2018は、Gesellschaft für Informatikの年次大会であるカンファレンスINFORMATIK 2018と合同開催となる。両会議はレセプションイベントを共有し、Catrin Misselhornによる「Machine Ethics and Artificial Morality」という基調講演が行われ。KI 2018のその他の招待講演は、Dietmar Jannachによる「Session-Based Recom- mendation-Challenges and Recent Advances」と、Sami Haddadinによる「Robotics」となる。
KIはドイツにおけるAI研究者のためのプレミアフォーラムであるため、いくつかの併催イベントも行われている。カンファレンスウィークは、ウェブデータの処理や推論の形式的・認知的側面など、多様なトピックに特化したワークショップの集合で始まった。また、Statistical Relational AI (StarAI, Tanya Braun, Kristian Kersting, and Ralf Möller) や Real-Time Recommenations with Streamed Data (Andreas Lommatzsch, Benjamin Kille, Frank Hopfgartner, and Torben Brodt) に関するチュートリアルが開催された。さらに、AI分野の博士課程の学生を支援するため、Johannes Fähndrich氏によって博士課程コンソーシアムが組織された。
Keynote Talk
Contents
- Keynote: Session-Based Recommendation – Challenges
近年、逐次推薦システム(SRS)やセッションベース推薦システム(SBRS)は、ユーザの短期的かつ動的な嗜好を捉え、よりタイムリーかつ正確な推薦を可能にするRSの新しいパラダイムとして登場した。SRS と SBRS は広く研究されているが、この分野には多様な記述、設定、仮定、適用領域による多くの矛盾が存在する。SR/SBRの領域に共通に存在する様々な不整合を取り除くための統一的なフレームワークと問題提起を提供する仕事はない。また、この分野におけるデータの特徴、重要な課題、最も代表的で最先端のアプローチ、典型的な実世界のアプリケーション、重要な将来の研究の方向性を包括的かつ体系的に示す研究もありません。この研究は、これらのギャップを埋め、このエキサイティングで活気のある分野での研究を促進することを目的としています。
Reasoning
連合発表論理(CAL)は、あるエージェント集団が、相手によって同時に発表されるいかなる発表にも関係なく、共同発表を行うことによって、ある結果を強制することができるかを研究している。この論理は、同時進行の手を持つ不完全情報ゲームのモデル化に有用である。我々は、CALのモデル検査アルゴリズムを提案し、CALのモデル検査問題がPSPACE-completeであることを示す。また、モデル検査問題がPになる特別な正のケースを考察する。これらの結果を、情報の変化に対する定量化を持つ他の論理の結果と比較する
一階構造を持つ確率的形式における推論の標準的なアプローチには、単一の問い合わせに対するlifted variable elimination (LVE) と、重み付きモデルカウントに基づく一階知識コンパイル (FOKC) が含まれます。LJTは複数の問い合わせを効率的に処理するために、モデルの一階クラスタ表現とLVEを計算のサブルーチンとして使用するものである。ある入力に対して、LVEの実装は、その結果、LJTはFOKCがlifted runを持つモデルの一部を接地する。本論文の目的は、LJTをlifted推論のバックボーンとして準備し、任意の厳密推論アルゴリズムをサブルーチンとして使用することである。LJTでFOKCを使うことで、特定の入力に対してLJT、LVE、FOKCよりも高速に答えを計算することができる。
LDJT (lifted dynamic junction tree algorithm) は、確率的関係時系列モデルのフィルタリングと予測問合せに、知識ベースの一次クラスタ表現を構築し、それを複数の問合せと時間ステップに再利用することによって効率的に回答するものである。残念ながら、非理想的な消去順序は不必要な基底を引き起こす可能性がある
記述論理の確率論的拡張として、与えられた確率的解釈から用語知識を自動的に獲得するタスク を考える。基本的に、このような確率的解釈は、頂点と辺がラベル付けされた有向グラフの族であり、このグラフ族に離散確率尺度が存在する。目標は、考慮された確率的記述論理で表現可能で、与えられた確率的解釈で真となる、いわゆる概念包含を導出することである。このようなグラフ族の適切な公理化のための手順を提案し、その健全性と完全性を正当化する。
Multi-agent Systems
我々は、エージェントがグループを形成できると仮定して、エージェントへのアイテムの公正な分割を研究する。これにより、妬み-自由度やパレート効率といった一般的な概念を、一定の大きさのグループに対して自然に一般化することができる。グループのenvy-freenessは、どのグループも他のグループを妬まないことを要求する。集団のパレート効率は、どの集団も他の集団を悪くすることなく、より良くすることができないことを要求している。我々は、これらの新しい集団の性質を公理的な観点から研究する。そして、既存の分類法を一般化した新しい公平性分類法を提案する。さらに、これらの集団の特性のうち、あるものに対する割り当てが存在しない可能性があるため、その近傍バージョンについて研究する。最後に、3つの社会的ウェルフェア(功利主義、平等主義、ナッシュ主義)に対する集団特性間の集団公正の3つの価格を与える。
確率的並列多重集合書き換えシステム(PPMRS)は、複数の(相互)作用するエージェントとオブジェクト(実体)からなる確率的な動的システムをモデル化し、複数の個別行動を並行して実行することができる。これらのアプローチにおける主な計算課題は、制約充足問題(CSP)として定式化できる並列行動(複合行動)の分配を計算することである。残念ながら、この分布の分割関数を正確に計算することは、CSPのすべての解を列挙する必要があり、組合せ爆発を起こすため、実行不可能である。本論文の中心的な技術的貢献は、マルコフ連鎖モンテカルロ法(MCMC)に基づく効率的な分割関数、ひいては複合行動分布の近似を行うアルゴリズムである。提案機能は、CSP探索木においてバックトラックを行い、残った部分解のCSPの解をサンプリングすることで機能する。本アプローチを、厳密な複合作用の計算が不可能なPPMRSセマンティクスを持つロトカ=ボルテラシステムで実証する。本アプローチにより、従来不可能であったPPMRS意味論によるシミュレーション研究とベイズフィルタリングを行うことができる。
最近の移動ロボットとAIの進歩は、工業生産に革命をもたらすと期待されています。自律型ロボットがより複雑なタスクを解決できるようになると、様々なロボットのスキルを統合し、ロボット群を調整することの難しさが飛躍的に増大する。ドメイン独立型プランニングは、その解決策を約束するものである。単一のロボットシステムについては、科学文献に多くの成功例が掲載されています。しかし、2017年のロボカップ・ロジスティック・リーグでの私たちの経験は、複数のロボットを調整する際の計画の質の深刻な欠如を浮き彫りにしました。この作品では、時間的なマルチロボットタスクの計画品質を高めるために、既成の時間的計画システムをどのように採用できるかを実証しています。抽象的な計画が最初に生成され、計画内のサブタスクはロボットに競売され、ロボットは順番にこれらのタスクを解決し、入札を計算するために計画を採用します。我々は、2つの計画領域で我々のアプローチを評価し、解の範囲と計画の品質が大幅に改善されることを見出した。
マルチエージェントシステム(MAS)の多くは確率的環境下に置かれる。部分観測可能マルコフ決定過程(POMDP)に基づくこのようなシステムの中には、他のエージェントの善意を当然と考えないものがある。我々は、POMDPに基づく新しいフレームワークを提案する。このフレームワークは、エージェントが互いの評判に与える影響を含む様々な確率的MAS領域の仕様に対して十分に一般的である。このフレームワークのユニークな点は、行動が無向(通常)または有向(特定のエージェントに向かう)のいずれかで指定されることであり、相互作用における評判の影響をモデル化するための新しい有向遷移関数が提供されていることである。エージェントはネットワーク内で生き残るために十分な評判を維持しなければならないと仮定し、確率的MASにおいてエージェントが最適な行動を選択するための計画アルゴリズムを開発した。予備的な評価は、仕様の例と、アルゴリズムの複雑さを決定することによって提供される
迅速かつ確実な宅配便の需要が世界的に高まっています。従来の陸路による配送は、優れたインフラを必要とし、特にラストワンマイルにおいて高いコストを発生させる。我々は、タスク割り当てのためのコントラクトネットプロトコルと、目標指向のタスク実行のためのROSハイブリッド行動プランナー(RHBP)に基づく、分散型かつスケーラブルなドローン配送システムを提示する。このソリューションは、改良型マルチエージェントシステムシミュレーションプラットフォーム(MASSIM)上でテストされている。この環境では、ソリューションはよくスケールアップし、異なる構成間で収益性がある。
Robotics
自律移動システムにおいて、過去に見た場所を認識することで自車位置を推定することは、必要不可欠な機能である。近年では、照明や天候、季節の変化により外観が大きく変化しても、視覚に基づく長期的な定位が可能であるなど、ますます困難な認識問題に対処している。ロボットは通常、環境中を連続的に移動するため、連続した感覚入力や類似した軌道には高い相関性があります。このような連続的な情報を利用することは、変化する環境下での場所認識に成功したいくつかの手法の鍵となる要素である。我々は、移動ロボットの位置認識にシーケンシャルな情報を利用する、神経学に基づく新しいアプローチを提案する。このアプローチは、人間の新皮質の作業原理の神経科学的モデルである階層的時間記憶(HTM)をベースにしている。HTMの特徴として、(1)高い表現力とノイズに対する高い頑健性を持つことが知られている疎な分散表現に依存すること、(2)階層的時間記憶(HTM)を利用すること、などが挙げられる。(2) HTM は入力される感覚データのシーケンシャルな構造を大いに利用する。本論文では、移動ロボットのローカライゼーションにおける順序情報の重要性を議論し、HTMの紹介を行い、場所認識問題とHTMの理論的類似性について議論する。次に、HTMの高次シーケンス記憶の修正版を移動ロボットローカライゼーションに適用した、新しいアプローチを紹介する。最後に、シミュレーションに基づく一連の実験により、提案するアプローチの能力を実証する。
ロボットは家庭の中でますます存在感を増し、人間との相互作用が強まっています。ロボットは、物体の操作など、正確な作業を行うことができます。しかし、この操作は、しばしば、物体を配置する人間の方法に従っていない。そのため、ロボットがタスクを実行し、人間の期待を満足させるためには、環境に関する意味的な知識が必要となる。本論文では、ロボットが人間の実演から情報を取得し、意味ある方法で物体を並べる朝食テーブルセッティングのシナリオを紹介する。ロボットが日常作業を自律的に行うために必要な知識量を獲得する方法を示す。
Learning
本論文では、数学ソルバーの性能を向上させるためのパラメータチューニングの問題を取り上げる。我々は、変数構成と制約構成の2種類の構成をとるモデルに対して、ソルバーをどのようにチューニングできるかを調査する。また、それぞれのタイプにおいて、探索または利用を重視したデータ生成のための探索アルゴリズムについて検討する。また、制約条件下でのソルバーのチューニングの難しさと、データ生成方法が学習セットの学習能力にどのような影響を与えるかを明らかにする。
“転移学習の概要とアルゴリズムおよび実装例について“でも述べている転移学習は、学習領域とは異なる領域での分類をサポートする。主なアプリケーションはWifiローカライゼーション、感情分類、ロボット工学である。最近の研究では、テスト環境による学習の近似が適切な性能につながることが示されており、ほとんどの伝達学習アプローチが追求する戦略を凌駕している。さらに、技術的な制約や最近のプライバシー規制による解釈可能性の要求に対応するため、疎な伝達学習モデルが必要とされている。本研究では、学習環境を近似する新しい転移学習アプローチを提案し、スパースで解釈可能な確率的分類ベクトルマシンと組み合わせ、この分野の標準的なベンチマークと我々の解決策を比較する。
スキーマ機構は、1980年代にGary Drescherによって創始された一般的な学習・概念構築のフレームワークである。これは、Jean Piagetによる人間の初期認知発達の構成主義理論に触発され、人間の学習と興味深い特性を共有するものである。最近、スキーマネットワークが提案された。スキーマネットワークは、オリジナルのスキーマ機構、関係MDP、因子グラフ最適化に基づく計画のアイデアを組み合わせたものである。スキーマネットワークは、転移学習において興味深い特性、すなわち、ゼロショット転移が可能であることを示した。しかし、このアプローチにはいくつかの限界がある。例えば、スキーマネットワークは原理的にオブジェクトレベルで動作するが、オリジナルの学習・推論アルゴリズムでは個々のピクセルをオブジェクトとして用いている。また、すべての種類の実体が同じ属性セットを共有しなければならず、学習された各スキーマの近傍は同じ大きさでなければならない。本論文では、これらとスキーマネットワークの他の制限について議論し、いくつかの制限を解決するために、ハイパーベクトルに基づく新しい表現を提案する。ハイパーベクターは非常に高次元のベクトル(例えば2048次元)であり、高い表現力やノイズに対する頑健性など、有用な統計的特性を持つ。我々は、ハイパーベクターと注意深く設計された演算子を用いて、数や種類の異なる属性を持つ任意のオブジェクトの表現を作成する、ベクトルシンボリックアーキテクチャ(VSA)に基づくシステムを紹介する。これらの表現は、このオブジェクトの集合に対して、任意の近傍でスキーマを符号化するために用いることができる。この論文には、表現能力とノイズに対する頑健性を実証する最初の結果が含まれている。
コンフィギュレーションシステムは、異なるコンテキストで発生しうる不整合に対処できる必要がある。特に、ユーザが要求を指定し、制約ソルバが解を特定しなければならないような対話的な環境では、矛盾がより頻繁に発生する可能性がある。したがって、これらの解決不可能な問題に対する解を見出すための診断アルゴリズムが必要とされる。生産スケジューリング、ロボット制御、通信ネットワークなどのリアルタイムな場面では、診断の実行効率が特に重要である。このようなシナリオでは、診断アルゴリズムはあらかじめ定義された時間内に解決策を決定する必要がある。実行時性能を提供するために、直接または逐次診断アルゴリズムは、競合を計算する必要なく診断を見つける。本論文では、学習されたヒューリスティックスを用いた新しい直接診断アルゴリズムLEARNDIAGを提案する。本アルゴリズムは、診断探索のための制約順序ヒューリスティックを計算するために教師あり学習を適用する。我々の評価により、LEARNDIAGは直接診断の実行性能を向上させるとともに、診断の最小性、精度を向上させることがわかった。
Planning
組み立てのレシピは記述論理でエレガントに表現することができる。このようなレシピがあれば、ロボットは論理的推論によって次の組み立てステップを把握することができる。しかし、アクションを実行する前に、ロボットは、組み立てるべき部品が到達可能であること、閉塞していないことなど、様々な空間的制約を満たすことを確認する必要がある。このような推論は論理理論でサポートするには非常に複雑であるが、物体が到達可能かどうかといった定性的な空間関係を効率的に計算する特殊なアルゴリズムが存在する。本研究では、ロボットが空間制約の下でタスクを実行できるように、組立タスクのための論理ベースのプランナーと幾何学的推論機能を組み合わせる。幾何学的推論機能は、オントロジー内のシンボルに付けられた決定手順を通じて、論理ベースの推論に統合される。
言語接地による行動理解の最近の試みは、教育用テキストから計画モデルを自動的に生成することが可能であることを示している。これらのアプローチの欠点は、テキスト中で特定されたモデル要素の背後にある意味構造を利用しないか、あるいは、人手で概念とその間の意味的関係の集まりを取り込んでいることである。しかし、このようなモデルを行動理解に利用するためには、システムは計画演算子の背後にある意味構造と文脈の知識も持っている必要がある。この問題を解決するために、我々は、テキスト指示から計画演算子を自動的に生成するアプローチを提案する。本アプローチは、モデル要素間の様々な階層的、空間的、方向的、因果的な関係を識別することができる。これにより、実行されるアクション以外のコンテキスト知識を取り込むことができる。我々は、特定した要素の正しさ、モデル検索の複雑さ、モデルの網羅性、手作りモデルとの類似性の観点から、本アプローチを評価した。その結果、本アプローチは実際のタスクの実行を説明するモデルを生成することができ、そのモデルはハンドクラフトモデルと比較可能であることが示された
リスク下で意思決定を行うことは、人間が潜在的に危険な新しい学習課題に直面したときに自然に発揮する能力である。この能力を再現するために、人工学習やプランニングの様々な分野で多くのアプローチが進められてきた。本論文では、シミュレーションモデルが存在する場合に、リスクを考慮した計画を立案するために、リスクを考慮した最適化目標を用いて従来のオンライン計画を拡張するRisk-Sensitive Online Planning (RISEON)を提案する。我々が用いる目的はConditional Value at Risk (CVaR)であり、与えられたリスクレベルに適合するように分位の大きさを設定することでリスク感度を制御することが可能である。CVaRを用いることで、プランナーはリスク中立的な標本平均から損失分布のテールに向かって焦点を移し、したがって、高いコストの調整可能なシェアを考慮することができる。我々はRISEONをスマートグリッド計画シナリオと連続制御タスクで評価し,提案アルゴリズムがリスク感度を考慮した計画に利用できることを経験的に示す.z
Neural Networks
多くのディープニューラルネットワーク(DNN)は、高い分類スコアを達成することを唯一の目的として実装されています。しかし、計算コストの最小化のような付加的な目的が存在することもあります。これは、計算能力そのものが制限要因であるだけでなく、各計算がバッテリー寿命に影響を与えるエネルギーを消費するモバイルコンピューティングの分野で特に重要です。残念ながら、最小構造を決定することは容易ではない。
本論文では、縮小構造を採用したDNNを決定する新しいアプローチを提案する。DNNは“進化的アルゴリズムの概要とアルゴリズム及び実装例について“でも述べている進化的アルゴリズム(EA)によって決定される。DNNが学習された後、EAはネットワークからニューロンを除去し始める。これにより、EAの適合度関数はDNNの精度に依存する。このように、EAは個々のニューロンの影響力を制御することができる。本論文では、この新しいアプローチについて詳しく述べる。本手法では、モバイル端末の加速度センサとジャイロセンサで記録されたモーションデータを用いる。このデータは、学習環境において、空中に日本語の文字を描いているときに記録されたものである。実験の結果、本アプローチにより、元のネットワークと同程度の性能を持つ縮小ネットワークを決定できることがわかった。さらに、縮小によりネットワークの精度が向上することを示す。本論文では、縮小されたネットワークについて詳細に分析する。さらに、削減されたネットワークの構造を示す。
ニューラルネットワークを学習するための優れたハイパーパラメータ設定を見つけることは、最適な設定が学習段階で変化し、また重みの初期化やランダムバッチサンプリングなどのランダムな要因に依存するため、困難である。これらの設定を適応するためのほとんどの最先端手法は、静的(例:学習率スケジューラ)または動的(例:ADAMオプティマイザ)であるが、ハイパーパラメータの一部を変更するだけで、初期化問題は扱わない。本論文では、非同期進化アルゴリズムである母集団ベース学習を拡張し、学習中に与えられた全てのハイパーパラメータを変更し、重みを継承する。我々は新しい知識抽出スキームを導入する。母集団の中で最も優秀な個体のみが、訓練データに関する知識の一部を母集団全体と共有することが許される。これは、モデル間のランダム性を避けるのではなく、むしろ受け入れるものであり、結果として生じるモデルの多様性は母集団の進化にとって重要であるからである。2つの古典的なモデルアーキテクチャを用いたMNIST、fashionMNIST、EMNIST(MNIST分割)の実験では、元のアルゴリズムと比較して収束性とモデルの精度が大幅に改善されることが示された。さらに、複雑なアーキテクチャとデータも含めるために、ResNetとWideResNetアーキテクチャを採用したEMNIST(balanced split)の実験も行っている。
確率的勾配降下法は、ニューラルネットワークを学習するための最も一般的なアルゴリズムである。しかし、進化的アルゴリズムのような他のアプローチもこのタスクに適用可能である。進化的アルゴリズムは、独自のトレードオフをもたらすため、探索する価値がありますが、計算量の問題から、これまではパラメータ数の少ない小さなネットワークに探索が制限されていました。我々は、GPU上で完全に実行される進化的アルゴリズムを実装し、ネットワークの全母集団を効率的にバッチ評価することを可能にする。このフレームワークの中で、我々はニューラルネットワークのトレーニングのための限定評価進化アルゴリズムを探求し、その一括評価のアイデアが大きな精度のトレードオフをもたらすことを見出した。さらに、クロスオーバーの演算子について実験し、無原則ランダム一様クロスオーバーが非常によく機能することを見出した。最後に、EAを用いて92kのパラメータを持つネットワークをMNISTで訓練し、Adamで訓練した同じネットワークのテスト精度が98%であるのに対して、97.6%のテスト精度を達成することができた。コードはこのhttpsのURLから入手できます。
リカレントニューラルネットワークは、自然言語処理に有用であることが証明されている。例えば、スペルや構文の間違いがほとんどない、あるいは全くない、もっともらしいテキストを予測し、生成するように訓練することができる。しかし、ネットワークがどのような文法を学習したのか、また、ネットワークがどのように入力の構文構造を追跡しているのかは、明らかではない。本論文では、リカレントニューラルネットワークから有限状態機械を抽出する新しい方法を提示する。有限状態機械は原理的にニューラルネットよりも解釈しやすい文法表現であるが、現実的なニューラルネットの場合、抽出される有限状態機械も大きくなってしまう。そこで、抽出したFSMの状態や経路をグループ化し、より小さく、理解しやすいニューラルネットワークのモデルを得る方法も検討します。この方法を説明するために、名詞と動詞の間に相対節が現れるような簡単な文法から、ニューラルネットワークがどのように名詞と動詞の一致を学習するのかを調べます。
視覚探索のターゲット推論は、アイトラッキングを通してターゲットオブジェクトを予測する方法を含んでいます。人は視覚的なシーンの中からあるオブジェクトを探すことを意図しており、そのオブジェクトは固視行動から予測されます。検索ターゲットについて知ることで、知的なユーザインタラクションを向上させることができる。この研究では、事前に学習された畳み込みニューラルネットワーク(CNN)を用いて、検索ターゲット推論のための新しい特徴エンコーディングであるBag of Deep Visual Wordsを実装する。本研究は、コンピュータビジョンのアプリケーションで一般的なBag of Visual Wordsを用いた文献からの最近のアプローチに基づいている。我々は、ゴールドスタンダードデータセットを用いて我々の手法を評価する。
最近、DeepStackと呼ばれる強力なポーカープレイアルゴリズムが発表された。このアルゴリズムは、深いニューラルネットワークによって予測される未来の状態の発見的な値を用いることによって、ゲームプレイ中に近似的にナッシュ均衡を見出すことができる。本論文では、DeepStackの深い反実仮想値ネットワークの入出力を従来の抽象化手法に基づく新しい符号化方法と、ネットワークの精度を高めることができた非抽象化符号化方法を分析し
自然言語生成において、参照表現生成(Referring Expression Generation: REG)のタスクは、ターゲットオブジェクトを識別する一連の特徴量や関係性を決定することである。参照表現はターゲットオブジェクトを説明し、シーン内の他のオブジェクトからそれを識別する。アルゴリズムの観点からは、REGは探索問題として提起することができる。探索空間は利用可能な特徴と関係の数に対して指数関数的であるため、効率的な探索戦略が必要である。本論文では、モンテカルロ木探索(MCTS)のREGへの適用を検討する。我々はQBF-MCTS(Quasi Best-First MCTS)と呼ばれる新しい変種を提案する。実証的な研究として、我々は異なるMCTSの変種を互いに、また古典的なREGアルゴリズムと比較した。その結果、QBF-MCTSは効率と品質に関して著しく改善された性能をもたらすことが示された。
モンテカルロ木探索(MCTS)は逐次的な任意の時間問題を解くための一般的な選択肢である.しかし、MCTSは数値フィードバック信号に依存し、その定義は困難である。リアルタイムMCTSは、外部からの明示的な報酬を持つ状態に稀にしか遭遇しない可能性のある変種である。このような場合に対処するために、実験者はヒューリスティックという形で追加の数値フィードバック信号を供給する必要がある。最近の研究では、様々な領域において、基本的な構造は数値ではなく序数であるという証拠が示されている。従って、特にそのような領域では、誤った、あるいは偏ったヒューリスティックが避けられない。本論文では、質的フィードバックにのみ依存するMCTSの変種を提案し、MCTSの新しいアプリケーションを開拓する。また、絶対的なフィードバックを序数に変換することが有益であることを示す指標を見出す。パズル分野を用いて、質的フィードバックのみを受け取る我々のプリファレンスベースMCTS変種が、量的フィードバックを受け取る通常のMCTSベースラインと同等の性能レベルに達することができることを示す。
世界間の類似性は、様々な種類の信念の変化の意味付けを行う上で極めて重要な役割を担っている。類似性は直感的に文脈に敏感な概念であるが、現在提案されている類似性の説明は、概して文脈を無視したものである。我々は、文脈に敏感な類似性の説明を提案する。そして、信念の変化に関する場合、我々は認識論的入力が必要な文脈を提供すると考える。そこで、このような証拠に敏感な類似性に基づく確率的な信念変化の説明を2つ作成し、検討する。最初のものは、問題となっている証拠が現在の知識と一致するか否かによって、二つの極端な振る舞いを切り替えるものである。もう一つは、証拠が現在の知識と一致する度合いに応じて、潔く振る舞いを変えるものである。最後に、これら2つの信念変更演算子について、もっともらしい仮定を選択したセットに関して分析する。
デジタルトランスフォーメーションやユビキタスコンピューティングといった現在のトレンドは、利用可能なデータや情報の大量増加をもたらしています。人工知能(AI)システムにおいては、多くの推論アルゴリズムが計算量的に複雑であるため、知識ベースの容量には限界があります。そのため、情報を継続的にサンプリングし、フィルターを通さずに知識ベースに蓄積することは、有望な戦略ではなく、実現可能でさえないように思われる。人間の進化において、学習と忘却は、人間の記憶に新しい知識を加えたり、無関係な情報を取り除いたりして、利用可能な情報に対処するための有利な戦略として進化してきた。学習は、AIシステムにおいて様々なアルゴリズムやアプリケーションで採用されている。しかし、忘却、特に意図的な忘却については、まだ十分に検討されていない。そこで、本論文では、その第一歩として、AIシステムの文脈における意図的な忘却について議論することを目的とする。また、「意図的忘却」に関する新しい優先研究プログラム(DFG-SPP 1921)から始まり、様々な視点(知識表現、認知、オントロジー、推論、機械学習、自己組織化、分散AI)からAIシステムにおける意図的忘却の定義と解釈を示し、機会および課題を導出する。
人工知能の分野では、知識表現と推論には長い伝統がある。近年では、「忘れる」という側面にも注目が集まっている。人間は、古くなった情報や現在無関係な情報などを忘れる非常に効果的な方法を開発し、増え続けるデータを自由に処理することができるようになった。本論文の目的は、一般的な公理的スタイルで忘却操作の抽象的な形式化を提示することである。常識的な観点から忘却の様々な種類と側面を説明し、詳しく説明し、識別することにより、我々の研究は、AIにおける忘却に関する一般的な見解をさらに発展させ、コンピュータ科学と認知心理学の両方に限らず、忘却を扱う研究分野間の交流と交換を開始し強化するために利用することができる。
Context Aware Systems
ストリーム処理に関する基礎研究は、AIの様々な分野に関連しており、その研究が実現可能でスケーラブルなストリーム処理に関するものであれば、その関連性はさらに高まります。実現可能性の1つの側面は、境界付きメモリという用語で扱われる。本論文では、ストリームは有限または無限ワードとして表現され、ストリーム処理はストリーム関数、すなわち、1つ以上の入力ストリームを出力ストリームにマッピングする関数でモデル化される。境界メモリ型ストリーム関数は、定数空間のみを用いて入力ストリームを処理することができる。本論文の主要な成果は、安全な再帰の形式による境界付きメモリ関数の構文的な特徴付けである。
スマートシティでは、革新的なモビリティソリューションが必要です。近い将来、ほとんどの旅行者は、シームレスに接続されたスマートシティを通るマルチモーダルな旅を、自宅のインテリジェントモビリティサービスから始めることになるでしょう。それにもかかわらず、スマートインハウスモビリティサービスのための十分な根拠のある要件が不足しています。ジャーナルに掲載されたオリジナルの論文[7]では,旅行者が移動手段に関する情報を得るために自宅のデジタルサービスを利用する状況について,よりよく理解するための第一歩を提示しました.すなわち、(1)モビリティ中心の情報が利用できないことが、自宅でのモビリティ中心の情報に関する最も緊急のペインポイントである、(2)ほとんどの参加者が、自宅で車両中心の情報にアクセスする必要性が高まっており、さまざまなスマートホーム機能を使用することに関心が高まっていると報告している、(3)スマートインハウスモビリティサービスは実用性(すなわち、情報ベースの品質)と快感(すなわち、刺激と喜び指向)品質を組み合わせるべきである、という3つの主な発見を報告しました。本論文では、これまでの研究成果を発展させ、スマートミラーのプロトタイプを作成し、ユーザーインサイトの実装と評価を行いました。定量的評価により、スマートインハウスモビリティサービスにおける実用的品質と快楽的品質の重要性が再び浮き彫りになりました。これらの洞察は、実務家がスマートホームのためのユーザー中心のモビリティサービスを開発するのに役立つので、我々の結果は、顧客価値を最大化するのに役立つだろう。
Cognitive Approach
推論は人間の中核的な能力であり、過去数千年にわたり、様々な分野で研究されてきた。しかし、その研究は、人間の推論の一般原理や正しい推論を明らかにすることに重点を置いており、個々の推論者の結論を予測することにはあまり重点を置いていない。そこで、人間の推論者個々に適応する人工エージェントを開発することが望まれている。我々は、協調フィルタリング技術を用い、定量的または条件付き文に関する推論において、推論領域間で個人の性能を予測することに成功したアプローチを示す。我々の提案するモデルは、被験者からいくつかの回答を受け取り、ペアごとの類似性を構築し、類似の推論者が結論づけた内容に基づいて、不足している回答を予測するという、単純かつ効率的なものである。我々のアプローチは、異なるデータセットにおいて高い精度を持ち、データの半分以上が欠損している場合でもこの精度を維持することができる。これらの特徴は、我々のアプローチが現実的なシナリオを一般化し、説明できることを示唆しており、人間の推論を予測する人工推論システムのための適切なツールである。
認知科学の中核となる手法は、人間の行動をモデル化してアプローチすることで認知を研究することである。最近の文献によれば、モデルの種類は、詳細な理論的説明と、高速で質素なヒューリスティックに大別される。これらのモデルは、単純だが一般的な計算原理に基づき、想定される精神的プロセスに依存せずに結果を出すことができる。
本論文では、行動データの予測精度に注目し、ヒューリスティックアプローチの可能性を検討する。複数のヒューリスティック・アプローチを組み合わせて、予測設定において最先端の性能を達成することができるポートフォリオ、すなわちメタ・ヒューリスティックを作成する。このポートフォリオの分析から得られた知見は、ヒューリスティック・アプローチの一般的な可能性に関して議論される。
次回はKI2019について述べる。
コメント