KI2019
前回はKI2018について述べた。今回は2019年9月23日から26日の間にドイツのカッセルで開催された第42回ドイツ人工知能会議（KI 2019）について述べる。
ドイツ人工知能会議（「Künstliche Intelligenz」の略称でKI）は、ドイツの「Gesellschaft für Informatik」（コンピュータ科学協会、GI）が主催する非公式会合やワークショップから、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会議シリーズである。
KI 2019カンファレンスは、2019年9月23日から26日にかけてドイツのカッセルで開催され、第49回ドイツ・コンピュータサイエンス学会年次大会（INFORMATIK 2019）と併催された。イベントに関する情報は、www.ki2019.de とinformatik2019.deにそれぞれ掲載されている。
KI 2019では、「AI methods for Argumentation」を特別重点テーマとし、特にAIのあらゆる分野の手法を用いて、自然言語における論証構造の理解、形式化、生成を行う投稿を募集した。この特別重点テーマは、DFGが資金提供する優先プログラム「RATIO(Robust Argumentation Machines;ロバスト論証マシン)」との協力で開催された。この特別重点テーマの他にも、この会議ではAIのあらゆるトピックに関する原著論文と短い技術通信や、最近の主要なAIカンファレンスで発表された論文をまとめた拡張アブストラクトも掲載されている。
KI 2019 には、25 カ国から 82 件の投稿があり、29本の論文を採択している。このうち、16件がフルペーパー、10件がショートペーパー、3件がエクステンデッドアブストラクトとなり、以下の3つの招待講演も含まれている。
- Jürgen Altmann (ドルトムント大学): Jürgen Altmann (University Dortmund): 自律型兵器システム-危険性と国際的な禁止の必要性
- Michael Beetz (ブレーメン大学): デジタルツイン知識ベース – ロボットエージェントのための知識表現と推論
- アントニー・ハンター(ユニバーシティ・カレッジ・ロンドン) Towards Computational Persuasion for Behaviour Change Applications
以下に詳細を示す。
ICT、ロボット、センサーの進歩により、自律型兵器システム（AWS）は手の届くところにある。人間の操作なしに撃つことは軍事的に有利であるが、同時にデメリットもある。さらに、武力紛争法の遵守が問題となる。機械が人間の命を奪うことは倫理的に許されるのだろうか？戦闘のペースが上がることで、人間の理解と意思決定に負担がかかり、制御不能なエスカレーションにつながる可能性がある。IT、ロボット、AIの専門家や企業だけでなく、国際的なキャンペーンがAWSの国際的な禁止を呼びかけている。国連の場で各国が制限について議論しているが、今のところ合意形成には至っていない。ドイツは完全自律型兵器の禁止を主張しているが、AWS禁止を提案する国々に加わっておらず、問題のある定義を使っている。
計算論的説得は、ヘルスケアにおける行動変容（例えば、運動や健康的な食事をするように人々を説得すること）のようなアプリケーションにおいて、論証を通じて人間の説得能力を捕らえることを目的としている。本論文では、計算論的説得の研究をレビューし、領域モデリング（説得対話に現れる議論と反論の把握）、ユーザーモデリング（被説得者の信念と懸念の把握）、対話戦略（被説得者を説得する機会を最大化するための説得者の最善の行動の選択）を組み込んでいる。本稿では、ユーザーの反論をメニューから選択することで取得するシステムのプロトタイプの評価について述べる。そして、議論型チャットボットの形で自然言語インタフェースを取り入れることで、この研究がどのように強化されるかを考察している。
AはBに関係し、CはDに関係する」という形式の相似的関係の具体的な形式化に基づき、人工知能の2つの重要な下位分野、すなわち相似的推論とカーネルに基づく機械学習の間の接続を確立する。具体的には、いわゆる類比が、物体の組に関するカーネル関数と密接に関連していることを示す。この結果に基づいて、4つの物体がどの程度強く相似的な関係にあるかを示す指標と見なせる相似カーネルを導入する。その応用として、我々は嗜好学習の領域におけるオブジェクトのランク付けの問題を考え、アナロジーカーネルを用いて学習させたサポートベクターマシンに基づく新しい手法を開発する。異なるドメイン（スポーツ、教育、観光など）のデータセットに対する我々の最初の実験結果は有望であり、我々のアプローチが予測精度の点で最先端アルゴリズムと競合することを示唆するものである。
論証検索とは、ユーザーの要求に応じて、潜在的に論争の的になりうる話題や主張に対する論証を検索することができる検索エンジン技術の研究である。論証検索エンジンの設計は、その基礎となる論証取得のパラダイムと結びついている。具体的には、検索精度と再現性のトレードオフを制御し、検索の基本的な特性を決定する。オフラインで網羅的な論証コーパスを作成すると、精度が向上するが、再現性が低下する。一方、ウェブから論証をオンザフライで取得すると、再現性が向上するが、精度が低下する。本論文では、前者のパラダイムに従った我々の論証検索エンジンargs.meの新しいコーパスを紹介する。このコーパスはコミュニティに無償で提供されている。387 606の論証を持つこのコーパスは、これまで利用可能な最大級の論証リソースである。質的な分析では、args.meのコーパス取得パラダイムを他の2つの議論検索エンジンのそれと比較し、人々がargs.meでどのように検索するかについての最初の経験的洞察を報告する。
このモデルでは、不可分なアイテムが1つずつ到着し、エージェントはアイテムのバンドルに対して単調な効用を持つ。このモデルに対するメカニズムの公理的な特性として、戦略防止性、妬みフリーネス、パレート効率などを検討する。我々は、なぜこれらの特性の緩和を考慮するのか、また、なぜ良い公理的特性が達成できるような限定された選好領域を考慮するのかを正当化するために、多くの不可能性結果を証明する。我々は、制限された、しかし一般的な選好領域上で良好な公理的公正特性を持つ2つの機構を提案する。
本論文では、Lean定理証明器を用いて、日常的な数学の等式問題を解く完全自動化システムを紹介する。このシステムを考案する際に最も重視したのは、人間と同じような方法で等式の証明を構築することである。第二の目標は、使用する手法が分野に依存しないことである。このシステムの基本戦略は、サブタスクスタックを用いることである。スタックの一番上にあるタスクに向かって前進する明確な方法がないときはいつでも、プログラムは有望なサブタスク、例えば部分項の書き換えを見つけ、それを代わりにスタックの一番上に配置する。ヒューリスティックは、有望なサブタスクの選択と書き換えのプロセスをガイドする。これにより、人間が行うように問題をタスクに分割することで、より人間らしい証明を行うことができる。本システムは、標準的な定理証明器のように書き換えルールを事前に選択したり方向付けたりすることなく、また、単純な推論を実行するための高負荷なツールを呼び出すことなく、等式定理を簡単に証明できることを示している。
これまで、公開される個人に関する知識は、インスタンスストアであり、プライバシーポリシーと攻撃者の背景知識は、DLの概念で表現されるという設定において、記述論理（DL）オントロジのプライバシー保護公開について研究してきました。これまで、概念とポリシーの適合性、概念とポリシーの安全性という概念を導入し、上記のような文脈で、ある概念の最適な適合（安全）な汎化が計算できることを示しました。本論文では、攻撃者の背景知識が、公開する知識および安全ポリシーを策定するものとは異なるDLによって与えられると仮定する修正された設定を考察している。具体的には、攻撃者の知識が”⽯⽯”または”⽯⽯”の概念で与えられる場合について検討します。どちらの場合も、最適な安全な汎化がどのように計算されるかを示す。この計算の複雑さは、以前の結果と同じ（ExpTime）であるのに対し、より表現力のあるDL ゙(\mathcal {FLE} ゙)ではより低い（polynomial）ことが分かりました。
人工知能における論証の研究では、最近、頑健な論証マシンを開発するというビジョンに貢献する新しい方法を研究している。この研究の1つは、特定のドメインにおける議論の熟考と統合のための基礎として、ウェブ上の情報源から来る自然言語の議論を推論する方法を探るものである。本論文では、標準化されたArgument Interchange Formatの論証グラフとして表現された論証を基に構築している。これまでの研究は、論証グラフのケースベース検索に用いられる意味的類似性尺度の開発に重点を置いていたが、本論文では、論証解釈を容易にする構造を探求するために、論証グラフのクラスタリングの問題に取り組んでいる。我々は、意味的類似度指標に基づくk-medoidと凝集型クラスタリングアプローチを提案する。論証の構造を考慮したグラフベースの意味的尺度に基づくクラスタリング結果と、純粋なテキスト論証表現に対する意味的word2vec尺度に基づくクラスタリング結果を比較する。Microtextコーパスに基づく実験では、グラフベースの類似度は内部評価尺度で最も優れている一方、純粋なテキスト尺度はトピック固有のクラスタの特定に非常に良い性能を発揮することが示された。
Deep Neural Network (DNN) の信頼性に関する最近の研究から、人間には全く認識できないが、DNNは99.99%の信頼度で分類可能な物体として認識する画像を簡単に生成できることが明らかになった。本研究では、遺伝的アルゴリズム（GA）の探索空間縮小が、DNNを意図的に騙す能力に及ぼす影響を調査する。そこで、GTSRBやMNISTのようなよく知られたベンチマーク画像データセットからオブジェクトを分類するように訓練されたニューラルネットワークを騙すことができる、それぞれの変更を加えたGAを紹介する。開発したGAは拡張されており、一般的な挙動を変えることなく探索空間を縮小することが可能である。MNISTでの実証実験の結果、MNIST画像分類器の目標信頼度を満たすために必要な世代数が大幅に減少した（228世代から12世代）。また、より困難な物体分類シナリオであるGTSRBに対する実験でも、同様の結果が得られた。したがって、DNNを騙すことは容易に可能であるばかりでなく、非常に高速に実行できることがわかった。このように、我々の研究は、DNNに基づくコンピュータビジョンや物体認識のアプリケーションにおいて、既に認識されている潜在的な危険性を立証するものである。
これまでのプランニングの研究の大部分は、状態に依存しない 行動コストに焦点を当てたものであった。しかし、プランニングタスクが状態依存のコストを特徴とする場合、状態非依存のコストモデルを用いることは、モデル化誤差をもたらすか、またはモデルのコンパクト性を犠牲にする可能性があることを意味する。本論文では、モデル化精度とコンパクト性の相反する優先順位について、特に、モデル化精度の低下が(a)計画の品質、(b)不正確なコストモデルを入力したヒューリスティックによる探索指針に与える悪影響の程度に着目して、実証的に検討する。その結果、状態依存コストを無視することで生じる計画の最適性は、領域によって、存在しないものから数桁の大きさに及ぶことが示された。さらに、ヒューリスティック・ガイダンスへの影響は、使用するヒューリスティック、コストを正確に表現する方法の詳細、ヒューリスティック精度、ノード拡張、実行時間全体の節約に興味があるかどうかに強く依存することが示された。
集団的攻撃を持つ論証フレームワークは、Dungの抽象的論証フレームワークの顕著な拡張であり、ある論証の集合から別の論証への攻撃を引き出すことができる。これらのフレームワークはしばしばSETAFと略称される。SETAFは近年関心が高まっているが、非単調形式主義において等価置換を特徴付ける基本である強等価の概念はまだ調べられていない。本論文では、SETAF間の強等価性が最も重要なセマンティクスに関してどのように決定されるかを研究し、さらに強等価性の変形を考察する
交通システムの理解には、質的研究と量的研究の両方が不可欠であるが、質的研究の結果をテクニカルシミュレーションシステムで理解しやすく柔軟に定式化し実行することは困難であることがある。本論文では、エージェントベースのモビリティシミュレーションにおける意思決定コンポーネントとして適用するために、社会科学的データからファジー推論システムを体系的に構築するアプローチを紹介する。一般的なファジィ推論概念を提示し、移動行動に関する半構造化インタビューから得られた移動手段選択と一般的な行動に関する記述に適用する。この推論概念は、ファジールールベースと、インタビューから得られた言語変数と用語の両方を決定するために用いることができ、そのような推論システムは、エージェントベースのモビリティシミュレーションにうまく利用できることが示されている。
物流作業では、ロボットがある時間内に複数の場所から物体をピックアップし、配送することがしばしば要求される。これは、作業に関する論理的・時間的制約と、障害物回避やロボットダイナミクスに関する幾何学的・微分的制約が絡み合うため、困難な作業・動作計画問題である。これらの課題に対処するため、本論文では、離散抽象化上の車両ルーティングとサンプリングに基づく動作計画を組み合わせる。一方、車両経路制御は、実現可能な動作の広大な空間を探索するサンプリングベースの動作計画を効果的に導くための計画を提供する。一方、運動計画は実現可能性の推定値を提供し、それを用いて車両ルーティングは計画を洗練させる。この結合により、時間窓に加えて、容量、集荷、配達を取り入れることで、多目標運動計画の最先端技術を拡張することが可能になる。すべての集荷と配達が時間内に完了しない場合、このアプローチは違反を最小化し、利益を最大化することを目指す。
人間の動作をロボットシステムに伝達することは、専門家の知識がなくても新しい動作をシステムに装備することができるため、高い関心を集めています。一般的に、スキルは非常に特殊な設定と特定のロボットに対してのみ学習されることが多い。我々は、異なるロボットシステムに適応可能な、スキルを学習するためのモジュラーフレームワークを提案する。このプラットフォームは、自動化された動作分割、模倣学習、動作洗練のための強化学習、関連タスクへの汎化手法など、人間の実演をシステムに転送するための完全なワークフローで構成されています。本論文では、このアプローチを拡張し、ターゲットシステムや環境の定義など最小限の設定で、様々なスキルを様々なシステムで自動模倣できるようにすることを目的としている。このために、我々は実演された動作の模倣に焦点を当て、動作の洗練を伴わないその移植性を示す。我々は、約700の投擲実演からなる大規模なデータセットにおいて、本アプローチの一般性を実証する。これらの人間の実演のほぼ全てが、Universal RobotのUR5とUR10、KUKA LBR iiwa、DFKIのロボットCOMPIという4種類のロボットターゲット系に正常に転送された。また、模倣された動作の品質を実際のUR5ロボット上で分析した結果、さらなる動作洗練のための出発点として使用できる有用な投げ技をこのシステム上で実行できることが示された。
近年、確率変数の相互情報量を推定する方法がいくつか開発されている。これらの方法は、統計的に独立な特徴を学習するための新しいアプローチに有用であることが証明されている。本論文では、これらの手法の一つである相互情報量ニューラルネットワーク推定（MINE）ネットワークを用いて、ニューラルネットワークが線形ICAをどのように実行できるかの概念実証を行う。微分可能なエンコーダネットワークの出力ユニット間の、MINEネットワークによって推定される相互情報を最小化する。これは2つのネットワークの単純な交互最適化によって行われる。この方法は、ノイズの多いソースのブラインド・ソース分離において、FastICAと定性的に等しい解を得ることが示される。
最近の深層強化学習エージェントは、視覚的な入力のみに基づいて、アタリゲームのプレイなどのタスクで超人的なパフォーマンスを達成することができる。しかし、ニューラルネットワークを使用しているため、学習されたモデルは透明性に欠け、その内部構造を人間には理解することができません。このようなニューラルネットワークの不透明な推論過程を理解するためのアプローチとして、LRP（Layer-wise Relevance Propagation）コンセプトが有望視されています。この可視化技術は、エージェントの意思決定プロセスに関連する入力の領域を強調する顕著性マップを作成する。このような顕著性マップは予測のあらゆる可能な原因を網羅するため、しばしば入力の非常に多様な部分を強調することになる。そのため、機械学習の知識がない人には理解しにくい結果となっています。本研究では、各畳み込み層の最も関連性の高いニューロンだけを利用し、より選択的な顕著性マップを生成するLRPコンセプトの調整を導入します。我々は、複雑さの異なる3種類のアタリゲームで訓練した決闘ディープQネットワーク（DQN）エージェントを用いて、我々のアプローチをテストする。決闘DQNアプローチは、オリジナルのDQNアルゴリズムのニューラルネットワークアーキテクチャを大幅に変更するため、独自のLRPバリアントが必要となり、本論文で紹介することになる。
2次元ビン詰め問題(2D-BPP)は、異なるサイズの直方体の品物を、同じ寸法を持つ最小数の「ビン」と呼ばれる直方体容器に重なりなく詰め込む問題である。実語要求により、品物は固定された方向を持つか、90°回転することができる。さらに、ギロチン切断に服従する場合としない場合がある。この論文では、固定方向と自由切断を持つ2次元ビンパッキング問題を考察する。実際、我々はこの問題を解くために、2つの生物に着想を得たアルゴリズム、すなわち、カラス探索アルゴリズム（CSA）と遺伝的アルゴリズム（GA）を組み合わせたハイブリッドアプローチを提案する。このハイブリッド化の背後にある主なアイデアは、組み合わせた2つのアルゴリズムの演算子間で一種の協調的な相乗効果に到達することを期待することである。すなわち、CSAは離散化され、2D-BPPのコンテキストに適応し、一方、遺伝的演算子を用いて個体（すなわちカラス）の適応を向上させることができる。提案するハイブリッドアプローチの平均性能は、検討した問題の標準的なベンチマークインスタンスで評価され、よく似た性質を持つ他の2つの生物学的なアルゴリズム、すなわち標準遺伝的アルゴリズムと二元粒子群最適化アルゴリズムと比較される。得られた結果は非常に有望である
本稿では、ハイブリッド型倫理的推論エージェント（HERA）の文脈で、道徳的判断の説明のための理由を計算機的に抽出するアプローチを紹介する。HERAエージェントは、倫理原則の論理表現を用いて行為の許否の判断を行い、同じ論理式を用いてその判断の理由を導き出す。我々は、十分な理由、必要な理由、十分な理由の必要な部分の区別により、異なるタイプの説明が得られることを説明し、これらの理由を抽出するためのアルゴリズムを提供する。
最近、Lifted Marginal Filtering [5]が提案された。これは、複数の（相互）作用するエージェントやオブジェクト（実体）を持つシステムにおいて、確率的推論を効率的に行うためのアプローチである。このアルゴリズムは、類似のエンティティ群（すなわち、それらの特性が同じ分布に従う）に対して共同で推論を行うことにより、その効率を達成する。本論文では、グループ化に直接適したエンティティが存在しない場合について検討する。我々は、ガウス混合フィットとマージの手法を用いてエンティティグループを特定し、グループの数を時間と共に一定に保つことを提案する。実証実験の結果，予測精度の低下は小さいが，アルゴリズムの実行時間は大幅に減少することが示唆された．
現在の知識グラフ補完の研究は、知識グラフを低次元のベクトル空間に埋め込むという発想に基づく潜在的なアプローチに多く関わっている。一方，記号的なアプローチはあまり注目されていない[13]．しかし、このようなアプローチには大きな利点がある。それは、予測の引き金となるルールの観点から説明を得ることができるという点である。本論文では、Golem [8]やAleph [10]などの古典的なボトムアップ型ルール学習アプローチに触発されて、大規模知識グラフから論理ルールを効率的に学習するボトムアップ技術を提案する。本手法はAnyBURL (Anytime Bottom-Up Rule Learning)と呼ばれる．我々は、単純な（ルールに基づく）アプローチのハードケースとしてラベル付けされたデータセットでAnyBURLを評価した実験について報告する。我々のアプローチは、最近提案されたほとんどのモデルと同等、あるいはそれ以上の性能を発揮する。さらに、メモリとランタイムの点で必要なリソースは、潜在的なアプローチと比較して著しく小さい。本論文はIJCAI 2019論文の拡張アブストラクトである
パターン・データベース（PDB）は、計画プロセスの前に構築されるメモリベースの抽象化ヒューリスティックであり、シンボリックに表現された場合、非常に効率的な表現が得られる。PDBの自動生成に関する最近の研究により，PDBはコスト最適化された領域非依存型プランニングのための最も成功したアプローチの1つであることが分かってきた．本論文では，パターン選択にビンパッキングを用いた2つのプランナを提案する．2つ目のプランナでは，Partial-Gamerと呼ばれる貪欲な選択アルゴリズムを導入し，bin-packingが与えるヒューリスティックを補完する．我々は、過去3回の国際計画コンペティションの最適軌道のベンチマークで我々のアプローチをテストし、この単純で決定論的なアルゴリズムで、非常に競争力のある結果を得ることができた。
我々は、ALICA – “A Language for Interactive Cooperative Agents “の新バージョンを発表する。ALICAフレームワークは、高度に反応的なマルチエージェントフレームワークであり、マルチエージェント計画を扱うための3つのコンポーネント、すなわち仕様言語、実行エンジン、およびグラフィカルモデリングツールで構成されています。このフレームワークは、完全に分散された方法で、チームの調整、チームメンバーへのタスクの割り当て、実行の失敗の補償を自動的に行います。このうち、記述言語の拡張、実行エンジンとグラフィカルモデリングツールの再実装を行い、大幅な再設計を行った。その結果、ALICAの第2バージョンは、依存関係が少なく、ドメインに依存せず、異なる環境に適応することができます。
- Extending Modular Semantics for Bipolar Weighted Argumentation (ExtendedAbstract)
重み付き論証は、意思決定支援とソーシャルメディア分析のためのツールを提供する。論証は、初期の重みと攻撃と支持の関係を考慮した反復的な手順で評価される。MossakowskiとNeuhausは最近、異なるアプローチを統合し、環状グラフにおける最初の収束結果を証明した。我々はこの研究を基に、収束結果を単純化・一般化し、実行時保証を追加した。その結果、収束保証と強度値を初期重みから遠ざける能力との間にトレードオフがあることが分かった。我々は、連続化セマンティクスがこのトレードオフなしに発散を回避できることを実証する。意味的には、攻撃と支援の対称的な影響を保証するDuality特性でフレームワークを拡張する。また、モジュール化セマンティクスのJava実装を紹介し、理論的なアイデアの実用的な有用性を説明する。
部分的かつ不均一な観測可能性を持つマルチエージェントシステムにおける協調は、実用上困難な問題である。我々は、”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をベースに、エージェント間に分散した知識を用いて、分岐係数が大きい問題でも解を求めることができる暗黙の協調的エピステミックプランニングアルゴリズムを提案する。モンテカルロ木探索の状態としての知識と実際の状況を表現するために動的エピステミックロジックを用い、問題の目標と行動を形式化するためにエピステミックプランニングを用いる。さらに、エピステミック状態を探索する際に必要なモンテカルロ木探索の修正について説明し、協力型カードゲームHanabiを用いて、我々のプランナーをより大きな問題でテストする。我々は、このアプローチが、高いプレイ強度を維持しながら、最大8枚のカードを持つゲームにスケールすることを見出した。
本論文では、熟練者でなくてもセンサーに基づく構造化プログラムを生成できるようにすることを目的とした、直感的なロボットプログラミングへのアプローチについて述べる。コアとなるアイデアは、運動学的プログラミング（ロボットを物理的に誘導する）により、有限状態オートマトンの変形（プログラムを表現する）を生成することである。オートマトンの構造を制御フロー（環境の条件に応じたループや分岐）に利用する。プログラミングに関しては、ビジュアルなユーザーインターフェースを完全に排除し、どの程度実現可能かを検証しています。実験の結果、専門家でないユーザーでも、小さなサンプルタスクであれば、妥当な時間でプログラミングに成功することが確認されました。
Argumentation Miningの目的は、テキストから論証の構成要素やその間の関係を見つけ出すことである。主に未解決の問題の1つは、テキストが主張またはサポートステートメントなどの欠落したコンポーネントを推論するように読者を誘う、暗黙の了解である。Wojatzki と Zesch (2016) の仕事では、Twitter のデータセットで興味深い implicitness 問題が扱われている。彼らは、主張に対する暗黙のスタンスは、トークンと文字のN-gramだけを用いて、ある程度成功裏に見つけることができることを示した。同じデータセットを用いて、我々はこのタスクの結果が単語と文の埋め込みを用いることで改善されること、しかし全ての埋め込みバリアントが同じパフォーマンスを示すわけではないことを示す。具体的には、”FastTextの概要とアルゴリズム及び実装例について“で述べているfastText、”GloVe（Global Vectors for Word Representation）の概要とアルゴリズム及び実装例について“で述べているGloVe、Universal Sentence Encoder（USE）を比較し、我々の知る限り、USEがこのタスクに対して最先端の結果を出すことを明らかにした。
本論文では、定性的制約ネットワークの文脈で、バックボーンとバックドアという概念を紹介する。これらの構造を研究する動機として、SAT、CP、およびネイティブツール間の協調的アプローチを定義するために使用でき、新しい分解および並列化技術を刺激し、実世界のデータセットの特殊性を現在よりよく理解した適応的制約伝搬器の開発につながることを主張する。
静的環境における2次元経路探索はよく知られた問題であり、その一般的な解決方法の1つは、1）環境をグリッドとして表現し、2）グリッド上で経路のヒューリスティック探索を実行することである。しかし、2次元のグリッドはデジタル画像によく似ているため、この問題を画像生成タスクとして扱い、最近のディープラーニングの進歩を利用して解決するという魅力的なアイディアが浮かびました。この研究では、生成ニューラルネットワークを経路探索に適用することを試み、予備的な結果を報告する。この研究の方向性は、さらに探求する価値があると主張するのに十分な説得力がある。
自律走行などの重要な領域で、ニューラルネットワークの利用が進んでいます。このような場合、その制限によって危険な状況が引き起こされる可能性があります。研究者たちは、このような限界によって、ニューラルネットワークを含むシステムへの攻撃が可能になり、それが現実のシナリオでさえも可能であることを示すことができました。例えば、最新のネットワークは、変更された交通標識を誤って分類してしまうかもしれません。他の研究者は、最新のカーアシスタントが簡単に騙されて、道路で間違った車線に車を走らせることができることを示しました。
InformatiCupは、ドイツ、スイス、オーストリアで開催される、すべての学生を対象とした大学コンピューターサイエンスのコンテストで、実社会の問題に基づいたタスクが出題されます。今年の課題は、上記のような問題を題材にしています。この問題を実証し、ニューラルネットワークの実験に対する学生のモチベーションを高めるために、参加者は交通標識分類のニューラルネットワークに対して、ネットワークに直接アクセスすることなく、だまし画像を生成するよう求められました。この画像は、人間には交通標識として認識できないが、ニューラルネットワークによって高い信頼性で交通標識として分類されるものでなければならない。
Henkin意味論と選択性を持つ古典高次論理のための自動定理証明Leo-IIIを発表する。Leo-IIIは拡張高次パラメトリックに基づいており、ランク1多相性(TF1, TH1)への最近の拡張を含むすべての一般的なTPTP方言(FOF, TFF, THF)を受け入れることが可能である。さらに、Leo-IIIはほとんど全ての通常の高階モード論理をネイティブにサポートします。Leo-IIIは多階層ソート一階論理への変換を用いた一階推論ツールと協調し、検証可能な証明書を生成します。この証明器は以下のような異種のベンチマークセットで評価されています。
我々はオンライン推薦問題におけるユーザの行動をモデル化するために、ペアワイズプレファレンスデータを研究する。我々はまず、共同特徴空間におけるユーザの文脈的トランザクションをモデル化するために、テンソルカーネルを提案する。この表現はハッシュ関数によって全てのユーザに拡張され、パーソナライズされたデータとコンテキストのスライスを効果的に保存・取得することを可能にする。次に表示するアイテムの関連性に素早く着目するために、学習した嗜好値に対するモンテカルロ木探索（MCTS）の有用性を調査する。実世界の取引データにおいて、経験的に、嗜好モデルと探索木の両方が、ベースラインのアプローチに対して優れた性能を示す。
コメント