機械学習技術 人工知能技術 自然言語処理技術 セマンティックウェブ技術 オントロジー技術 デジタルトランスフォーメーション技術 知識情報処理技術 AI学会論文を集めて 推論技術
前回はILP2018について述べた。今回は2019年9月3-5日にブルガリアのプロブディフで開催た第29回帰納論理プログラミング国際会議について述べる。
帰納論理プログラミング（ILP）は機械学習のサブフィールドであり、例、背景知識、仮説を表現するための統一された表現言語として論理プログラミングに依存する。一階述語論理に基づくその強力な表現形式により、ILPは多関係学習とデータマイニングのための優れた手段を提供する。
1991年に開始されたILP会議シリーズは、構造化または半構造化されたリレーショナルデータから学習するための最高の国際フォーラムとなる。もともとは論理プログラムの導入に焦点を当てていたが、長年にわたって研究範囲を大幅に拡大し、論理、多関係データマイニング、統計的関係学習、グラフおよびツリーマイニング、その他の学習（非-提案）論理ベースの知識表現フレームワーク、統計的学習およびその他の確率論的アプローチとの交差点を調査している。
リレーショナルデータモデルは、通常、研究者や企業がシステムを記述する際に、単一テーブルモデルだけでは十分でない場合に使用される。そして、分類を行う場合、主に2つの選択肢がある：分類アルゴリズムの対応するリレーショナル版を適用するか、分類前にリレーショナルデータベースを単一テーブル表現に変換する命題化技術を使用するかである。この研究では、Wordificationと呼ばれる高速でシンプルな命題化アルゴリズムを評価する。この技術は、テーブル名、属性名、値を用いて特徴を作成する。各特徴は単語として扱われ、データベースのインスタンスはBow (Bag-Of-Words) モデルで表現される。そして、重み付けスキームを用いて、各インスタンスの特徴量を重み付けする。Wordificationの最初の実装では、TF-IDF、用語頻度、およびバイナリ重み付けスキームのみが検討された。しかし、テキスト分類やデータマイニングの分野では、重み付けスキームを適切に選択することで分類を向上させることができることが示されている。そこで、我々はWordificationを用いて様々な重み付けアプローチを経験的に検証した。その結果、重み付け方式と分類アルゴリズムの適切な組み合わせにより、分類性能を大幅に向上させることができることがわかった。
帰納論理プログラミング（ILP）の多くは、学習可能なプログラムの構造、つまり仮説空間を定義するために、2次ホーン節である \emph{metarules} を用います。メタルールを増やすと仮説空間が大きくなるので、メタルールの数を少なくしたいが、メタルールの数が少なすぎると表現力が失われる。本論文では、メタルールの断片が論理的に最小限の有限部分集合に還元できるかどうかを研究する。論理的削減の伝統的な形式である包含と含意の2つを検討する。また、SLD-resolutionに基づく新しい削減手法である「導出削減」を検討する。ILPに関連するフラグメントに対するメタルールの縮小集合を計算し、これらの縮小集合がより一般的な無限フラグメントに対する縮小集合であるかどうかを理論的に示す。また、3つの領域において、メタルールの縮小集合を用いた学習を実験的に比較する。ミハエルスキー列車、文字列変換、ゲームルールの3つの領域で実験を行った。一般に、メタルールの導出縮小集合は、予測精度と学習時間の両方において、包含縮小集合や含意縮小集合を凌駕している。
一般ゲームプレイ（GGP）は、様々なタスクにおけるエージェントの一般的な知能を評価するためのフレームワークである。GGP競技では、エージェントは見たこともないゲームのルール（論理プログラムとして記述される）を与えられます。課題は、エージェントがゲームをプレイすることで、ゲームの痕跡を生成することです。GGPコンペティションの勝者は、すべてのゲームの合計スコアが最も高いエージェントです。この論文では、このタスクを逆転させます。学習者はゲームの痕跡を与えられ、その痕跡を生成しうるルールを学習することがタスクとなります。この問題は、帰納的一般ゲームプレイ(IGGP)の中心的な問題である。我々は、GGPゲームからIGGPタスクを自動的に生成する技術を紹介する。数独、倉庫番、チェッカーなど50種類のゲームから得られた痕跡を含むIGGPデータセットを紹介する。IGGPは既存の帰納論理プログラミング(ILP)手法では困難であることを主張する。この主張を裏付けるために、既存の帰納論理プログラミングシステムを我々のデータセットで評価しました。その結果、既存のILPシステムではほとんどのゲームが正しく学習できないことがわかった。また、最も性能の良いシステムは、40%のタスクしか完全に解決できない。この結果は、IGGPが既存のアプローチに対して多くの課題を投げかけていることを示唆しています。さらに、GGPゲームからIGGPタスクを自動生成できるため、毎年新しいゲームが追加されるGGPコンペティションとともに、私たちのデータセットも成長し続けることでしょう。したがって、IGGP問題とそのデータセットは、今後の研究の動機付けや評価に役立つものと考えています。
最近、世界トップクラスの人間プレーヤーが、2人用の複雑なゲーム（囲碁、チェス、チェッカー）の多くで、深層強化学習システムによって上回られるようになりました。しかし、このようなパフォーマンスを達成するためには、人間のプレーヤーが一生で経験するよりもはるかに多くのトレーニングゲームを必要とするようであることから、学習システムのデータ効率は不明である。また、学習された戦略は、人間のプレイヤーに伝えられるような形にはなっていない。これは、以前の行動クローニングの研究では、シングルエージェントのスキルを記号言語で機械学習し、人間に教えることを容易にしていたのとは対照的である。本論文では、単純な二人用ゲーム（Noughts-and-CrossesとHexapawn）に対する、人間が理解できる戦略の機械学習について考察している。単純なゲームを考察する利点の一つは、最小後悔を計算するための扱いやすいアプローチがあることである。我々はこれらのゲームを用いて、MIGOと呼ばれる新しいメタ解釈学習システムの2つのバリエーションに対して、標準的な強化学習と深い強化学習の両方のバリエーションに対する累積ミニマックス・レグレートを比較する。我々の実験では、通常強化学習と深層強化学習の変種は、Noughts-and-CrossesとHexapawnにおいて、MIGOの変種よりも一貫して悪いパフォーマンス（より高い累積最小後悔）を示しました。さらに、MIGOの学習したルールは比較的理解しやすく、Noughts-and-CrossesとHexapawnの両方向で有意な転移学習を達成することが実証された。
子どもは遊びながら学ぶ。我々は、遊びを通してプログラムを学習するという類似の考え方を紹介します。このアプローチでは、プログラム誘導システム（学習者）に、一連のタスクと初期の背景知識が与えられる。課題を解く前に、学習者は教師なし遊びの段階に入り、自ら課題を作り、それを解いてみて、解答（プログラム）を背景知識として保存する。プレイステージが終了すると、学習者は教師付き学習ステージに入り、ユーザから提供されたタスクを解こうとし、プレイ中に学習した解答を再利用することができるようになります。つまり、学習者は遊びながら再利用可能な一般的なプログラムを発見し、それがユーザから与えられた課題を解決するのに役立つという考え方である。我々は、プレイが学習性能を向上させることを主張する。我々は、プレイすることで学習対象概念のテキスト的な複雑さを軽減し、学習者のサンプル的な複雑さを軽減することができることを示す。我々は、このアイデアを新しい帰納論理プログラミングシステムPlaygolに実装した。我々は、ロボットプランニングと実世界の文字列変換の2つの領域で、我々の主張を実験的に検証した。実験の結果、プレイは学習性能を大幅に向上させることができることが示唆された。我々は、playingのアイデア(より冗長には、教師ありプログラム誘導のための教師なしブートストラップ)は、BKを自己発見するプログラム誘導アプローチの開発という問題に対する重要な貢献であると考えている。
本論文では、説明可能な、否定的な、グループや文脈を考慮した推薦文を生成するために、ILPを徹底的に利用することを検討する。ILPはif-thenの論理形式で推薦ルールを提供し、提案されたアイテムに付随する明確で簡潔な説明を形成することを可能にする。また、ILPは特定の商品をユーザーに勧めないという否定的なルールを間接的に導き出すことができる。また、普遍的な表現を用いることで、同じ興味を持つユーザーグループに対して商品を推薦することができる。さらに、ILPは文脈を考慮した推薦（CARS）を生成するために、新しい文脈（場所、時間、気分など）が追加されても再トレーニングが不要で、述語と設定のみを簡単に指定することが可能である。また、説明文に登場する項目・特徴とユーザのレビューで提示された特徴を比較し、透明性という観点で説明可能性を評価することを提案する。ネガティブレコメンデーション、グループレコメンデーション、ダイナミックレコメンデーションは標準的な測定方法で評価することができる。
本論文では、ユーザープレファレンス抽出プロセスにおける主な情報源として、ペアワイズ比較を用いたレコメンダーシステムを提案する。ユーザの嗜好を記述論理でモデル化する帰納的学習器APARELLに実装された、論理ベースのアプローチを用いる。実世界ドメイン（自動車小売業）の大規模データセットを用いた被験者内予備調査を実施し、ペアワイズ比較インタフェースと標準的な商品リスト検索を用いたインタフェースを比較した。その結果、ユーザはペアワイズ比較に基づくインタフェースを好むことがわかり、多くの点で有意に優れていることが証明された。
機械学習（ML）のアプローチは素晴らしい結果をもたらしますが、その多くは透明性に欠け、構造的に複雑なデータの取り扱いが困難です。帰納論理プログラミング(ILP)と呼ばれるMLは、一次論理の部分集合の表現力と厳密さを利用して、データとモデルの双方を表現する。記述論理(DL)を用いると、オントロジーとして表現された知識に直接適用することができる。ILPの出力は説明可能な人工知能の有力候補であり、その代償は計算複雑さである。我々は最近、DLにおけるILP学習者の重要な要素であるカバーセットのテストを、並列処理によって高速化できることを実証しました。ここでは、この並行処理の利点を生かしたDLのILP学習器の最初のプロトタイプについて説明します。その結果、大規模なオントロジーに直接適用できる、高速でスケーラブルなツールが完成した。
ディープラーニングは、コンピュータビジョンや自然言語処理など、いくつかの領域で素晴らしい成果を上げていることが示されている。この成功の重要な要素は、人気の高いクロスエントロピー損失のような新しい損失関数の開発であり、これは収束を速め、非常に深い構造における消失勾配問題を軽減することが示されてきた。クロスエントロピー損失は通常、確率的な観点から正当化されるが、本論文では、t-ノルムとそれに関連する生成関数の観点からこの損失をより直接的かつ代替的に解釈し、損失関数とt-ノルムの間の一般関係を導出することを示す。特に、本論文では、新しいクラスの損失関数の開発につながる興味深い結果を示している。これらの損失は、あらゆる教師付き学習タスクで利用することができ、一般的に採用されているクロスエントロピ損失よりも速い収束率をもたらす可能性がある。
ディープネットワークは過去10年間で大きな成功を収めたが、フラットなベクトル表現に依存しており、ソーシャルネットワーク分析などのアプリケーションで生じるような豊かな構造を持つ領域には不向きである。このような領域では、実体とその属性の間の複雑な関係を把握するために関係表現に依存する。そこで、我々は関係データに対するニューラルネットワークの学習問題を考察する。我々は、局所的な構造的相互作用とその結果として生じるネットワーク構造を捉えるために、関係性のランダムウォークに基づく特徴を学習することにより、専門家の手書きルールに依存する現在のアプローチとは一線を画すものである。さらに、得られた関係ニューラルネットワークのネットワーク重みのパラメータ結合を利用し、同じタイプのインスタンスがパラメータを共有する。いくつかの標準的な関係データセットに対する我々の実験結果は、複数のニューラルネットのベースラインや、最新の統計的関係モデルに対する提案アプローチの有効性を示している。
機械倫理は、人工知能（AI）エージェントに倫理的な次元を追加することに関連する、新しく出現した学際的分野である。この論文では、オンラインカスタマーサービス領域における倫理規範のルールを表現し、取得する問題を扱う。提案する解決方法は、回答集合プログラミング（ASP）の非単調な特徴に依存し、ILPを適用したものである。このアプローチは、ASPルールを学習するための2つの最新ILPアルゴリズムで実施した予備テストから得られた例によって説明される。
シンボリックイベント認識システムは、時間的論理ルールの形でイベントパターンのセットを使用して、ストリーミング入力におけるイベントの発生を検出する。このようなパターンをオンラインで学習／修正するアルゴリズムは、提供されるサービスの品質、すなわちシステムのオンライン予測性能を損なうことなく、現在のイベントパターン集合を更新できるものである必要がある。そこで、我々は、専門家のアドバイスによる予測に基づくアプローチを提案する。本アプローチにおける専門家は、イベントパターンを表す論理ルールであり、シングルパス戦略によってオンラインで学習される。タスクの動的な性質を扱うために、イベントカルキュラスに着想を得た予測／イベント検出スキームにより、学習プロセスに常識的な原則を取り入れることができる。我々は、有望な結果を伴う予備的な経験的評価を提示する。
正確なモデリングツールから生成されたシミュレーションデータは、現実の事象を実証することができます。このアプローチでは、パイプライン業界ではすでに少なくなっているオリジナルの異常記録を維持する必要なく、パイプラインの運用を模倣します。この合成データは正確なサインを持ち、曲線の形状がアラームの種類を表します。学習ルールは、このパラメトリックデータから推論することができ、例は閾値レベルから解釈されます。この問題は、データの取り扱いとそれに伴う問題の複雑さを軽減する方法を検討することによって解決される。確率的ILPはこのような性質の異常を分類するための最も適切な候補となりうる。論理プログラムは、構造（ルール）が与えられたプログラムのパラメータを学習し、論理プログラミングに確率を取り入れる能力を使い、ターゲット述語に対する例を解釈し、発見を普及させるための背景知識を洗練させることでこの問題を解決する。また、この合成データは、競合仮説のILPパラメータ学習との直接的なリンクを発展させる。モデリングツールはフィードバックを受け、仮説のチェックとチューニングを行い、排他性を進化させる。これは閉ループ能動学習[1]の領域となる。
近年の記述論理（DL）概念の学習では、空間走査や仮説構築のために下方改良演算子を用いるのが一般的である。しかし、理論的な研究により、表現力豊かなDLには理想的な絞り込み演算子が存在しないことが証明されており、例えば、言語ALC (RRHC） アルゴリズムは、探索木をヒルクライミング的に走査することでノードを選択し、拡張のたびに1ステップのバックトラックで高速に再スタートするものである。本論文では、DL-LearnerフレームワークにおけるRRHCの実装を提供し、標準的なベンチマークを用いてCELOEとその性能を比較する。
- On Using Constraint Programming To Search for Better Theories
- Learning Logic Programs from Noisy State Transition Data
実世界のデータは、ノイズが多く、ファジーであることが多い。従来の論理的な機械学習手法の多くは、データを離散化したり、前処理を行った後に有用な出力を得る必要があった。そのため、実世界のデータへの適用が制限されることが多い。一方、ニューラルネットワークは、一般にノイズの多いデータに対してロバストであることが知られている。しかし、完全に訓練されたニューラルネットワークは、その基礎となるモデルを理解するために使用できる、容易に理解できるルールを提供しない。本論文では、状態遷移を完全に説明する論理プログラムの出力と、ノイズやエラーを含むデータからの学習を同時に行うことができる、解釈遷移からの差分学習アルゴリズム(閾値LFIT)を提案します。
コンピュータによるモデリングは、今や化学者の標準的な武器となっています。精密な測定と量子論に基づくモデルもあれば、機械学習（ML）モデルによって、化合物に関する知識を観測された性質と関連づけようとするモデルもある。化合物の組成と構造は常に学習データに反映される主要な側面であるが、関連性があるとみなされた特定の部分構造の存在を示す追加的な特徴を使用する点で、機械学習アプローチは異なっている。一方、「深層学習」（DL）のようなコネクショニストアプローチは、非線形関数を通じて表現の元の側面を結合し、より高いレベルの複雑さと抽象度を持つ特徴にするために、ニューロンの多層に依存している。他方、より伝統的な統計的MLアプローチは、早い段階で特定し、前処理によって与えられたデータセットに追加する特徴を明確に提供することに依存している
命題化とは、関係データを表形式（属性値）にまとめる作業のことである。得られた表は、次に任意の命題学習者が利用することができる。この手法により、関係データに対して様々な学習方法を適用することが可能となる。しかし、関係データから命題への変換は一般に可逆的ではなく、異なる関係構造が同じ特徴ベクトルにマッピングされることがある。同時に、学習には不要な特徴も混入する可能性がある。一般に、学習タスクに必要な全ての特徴を含む特徴空間を定義することは困難である。本論文では、最近提案されたOneBM法の遅延版とも言える命題化システムLazyBumを紹介する。LazyBumはOneBMの特徴量構築法と決定木学習器を織り交ぜたものである。この学習器は命題化のプロセスを利用し、かつガイドする。この学習器は、いつ、どこで新しい素性を探せばよいかを示す。このアプローチは、これまで動的命題化と呼ばれてきたものと類似している。オリジナルのOneBMと、最近提案された他の2つの命題化手法（それぞれ動的命題化と静的命題化を行うnFOILとMODL）との比較実験では、LazyBumはほとんどのデータセットで同等の精度と低い実行時間を達成した
本論文は、原子の集合の最小一般化を計算する新しいアルゴリズムを提供する。本アルゴリズムは、結合置換の逆置換である反結合という概念に基づいている。2つのアトムの最小汎化を計算する反統一アルゴリズムとは対照的に、反組合せは（2つ以上の）アトムの最小汎化を並列に計算することが可能である。提案アルゴリズムをランダムに生成されたデータを用いて評価し、反統一アルゴリズムの反復適用が一般に反統一アルゴリズムより性能が優れていることを示す。
確率論的論理モデルは、実世界の多くの領域で典型的に見られる不確実な関係や実体を効果的に扱うものである。確率論理プログラミングの分野では、通常、この種のモデルを学習して、対象アトム／述語と呼ばれるドメインの特定のアトムや述語を予測することが目的である。しかし、解釈全体に対する分類器を学習することも有用であろう。この目的のために、我々は、完全性制約の集合で表される帰納的制約論理システムが生成するモデルを考え、その確率的バージョンを提案する。各整合性制約は確率で注釈され、結果として確率論的論理制約モデルは、解釈に対して正である確率を割り当てる。このような確率的モデルの構造とパラメータを学習するために、我々はPASCAL（probabilistic inductive constraint logic）というシステムを提案する。パラメータ学習は勾配降下法もしくはL-BFGSを用いて行なうことができる。PASCALは11のデータセットでテストされ、いくつかの統計的関係系や関係決定木を構築するシステム（TILDE）と比較された。我々は、このシステムが精度-再現率および受信者動作特性曲線の下の領域において、同等の実行時間でより良いか同等の結果を達成することを実証する。
統計的関係学習は、論理と確率を統合し、データから推論・学習することを目的とした分野である。この分野で最も成功したパラダイムは確率的論理プログラミングであり、論理プログラミングに確率的プリミティブを導入することで、複雑な機械学習アプリケーションに宣言的背景を提供することができると考えられるようになってきた。多くのシステムが推論機能を提供しているが、より重要な課題は、データから意味を持ち解釈可能な記号表現を学習することである。この点に関して、帰納論理プログラミングとその関連技術は、過去数十年の間、多くの道を切り開いてきた。
残念ながら、このエキサイティングな展望の大きな限界は、研究の多くが有限領域の離散確率分布に限定されていることである。最近になって、いくつかのシステムが連続分布の表現と推論を行うように拡張された。もちろん、問題は、推論のための古典的な解決法が、よく知られたパラメトリック族（例えば、ガウシアン）に制限されているか、極限においてのみ正しい答えを提供するサンプリング戦略に頼っていることである。さらに、学習に関しても、点を前述のパラメトリック族に強制的に適合させる「データ適合」解法以外、表現を誘導することは全く未解決のままである。
本論文では、連続データおよび離散と連続の混合データに対して、固定された分布族にとらわれずに確率的論理プログラムを誘導するための最初のステップを踏む。我々の重要な洞察は、区分的多項式関数近似理論からの技術を活用し、密度関数を学習し構成的に構築する原理的な方法をもたらすことである。我々はこのフレームワークをテストし、学習された表現について議論する
帰納論理プログラミング(ILP)の主要な特徴は、命題プログラムよりも本質的に表現力の高い一階プログラムを学習することである。本論文では高次プログラムを学習するための技術を紹介する。具体的には、メタ解釈学習(MIL)を拡張し、背景知識として高階の定義(emph)を用いることで、高階プログラムの学習を支援する。その結果、1次プログラムではなく高次プログラムを学習することで、プログラムの表現に必要なテキストの複雑さを軽減し、仮説空間のサイズとサンプル複雑さを軽減することができることを理論的に示しました。このアイデアは、PrologシステムとASPシステムという2つの新しいMILシステムに実装されています。両システムとも高次プログラムの学習と高次述語の発明をサポートしており、例えば、 \tw{map/3} では関数の発明を、 \tw{filter/3} では条件の発明をサポートしています。ロボット戦略、チェス、リスト変換、文字列復号の4つの領域で、一階プログラム学習と高階プログラム学習を比較する実験を行った結果、高階プログラム学習は、ロボット戦略、チェス、リスト変換、文字列復号の4つの領域で、一階プログラムと高階プログラムを比較することができました。実験結果は我々の理論的主張を支持し、高次プログラムの学習は一次プログラムの学習と比較して、予測精度の大幅な向上と学習時間の短縮が可能であることを示している
メタ解釈学習(MIL)は、背景知識と例から論理プログラムを学習する帰納論理プログラミングの一形態である。我々は、MILに型を追加することで学習性能を向上させることができると主張する。我々は、型チェックによりMILの仮説空間を3乗倍に縮小できることを示す。我々は二つの型付きMILシステムを紹介する。Metagol Filter(_{T}) と HEXMIL Filter(_{T}) であり、それぞれ Prolog と Answer Set Programming (ASP)で実装されている。両システムは多相型をサポートし、発明された述語の型を推論することができる。実験の結果、型により学習時間を大幅に短縮できることがわかった。
帰納論理プログラミングの新しい応用例として、プログラミング言語の意味論を例題評価から学習することを紹介する。この短い論文では、メタ解釈学習システムMetagolを用いて、この領域における簡略化されたタスクについて検討した。関数記号の抽象化、非終端例、非観測述語の学習など、このシナリオの挑戦的な側面を強調し、これらの課題を克服するのに役立つMetagolの拡張を提案し、他のドメインで有用であることを示した。
本発表では、Prologで実装された効率的な多項目学習を行う新しいメタ解釈学習器Louiseを紹介します。Louiseは、現在の最先端MILシステムであるMetagolで学習するには大きすぎるプログラムを学習するのに十分な効率を持っています。ルイーズは、まずMIL問題の仮説空間において最も一般的なプログラムを構成し、この「トッププログラム」をPlotkinのプログラム削減アルゴリズムにより削減することで学習を行う。本拡張版では、Louiseの学習手法を説明し、Metagolの実装であるThelmaで学習できないほど大規模なプログラムをLouiseが学習できることを実験的に実証する。
本論文では、ある目的（またはコスト）関数の値が低いデータインスタンスを特定することを目的とする。通常、最適化問題として提起されるが、我々が関心を持つのは以下のような特徴を持つ問題である。(a)最適解、あるいは最適解に近い解が非常に少ない、(b)多数のデータインスタンスの目的関数の値を得るにはコストがかかる、(c)経験、経験則、制約などの形で領域知識があり、数値最適化手続きのための通常の制約に変換することが困難である、などである。ここでは、帰納論理プログラミング(ILP)を用いて、最適に近い解の数を徐々に増やそうとする手順の中でモデルを構築することを研究している。このようにILPを利用するためには、通常のILPの定番である識別モデルから生成モデルへのフォーカスの変更が必要である。我々は制御されたデータセットを用いて、ILPを用いて発見された条項の推定コストに基づく解の確率的サンプリングの使用について調査する。具体的には、得られた結果を以下のように比較する。(a)単純なランダムサンプリング、(b)低レベルのエンコーディングを用い、高次の特徴を自動的に構築する生成的なディープネットワークモデル、との比較を行った。その結果、以下のことが示唆された。(1)ILPで構築したモデルから確率的にサンプリングした方が、より最適解に近い解が得られること。また、ドラッグデザイン分野の2つの実問題（溶解度と結合親和性の予測）において、化学環構造と官能基のドメイン知識を用いて、この方法によるILPの利用を実証しています。この結果は、ILPを用いた生成モデリングが、以下のような最適化問題に対して非常に有効であることを示唆している。(a)使用する学習インスタンスの数が制限されている、(b)低コストの解決策に関連するドメイン知識が存在する。
近年、ネット上で偽情報が拡散していることから、噂やデマ、「フェイクニュース」を自動的に否定する研究への関心が高まっている。事実確認に向けた取り組みも数多く行われているが、最終的に事実確認が行われるまでに、その主張が何百万人ものユーザーに届いている可能性があり、事業全体としてはまだ危機的な状況にある。より有望な方向性としては、事前に行える報道機関全体のファクトチェックに注力することであることは間違いないだろう。
- Estimating Productivity of Dairy Cows by Inductive Logic Programming
- Explainable AI for Clinical Gait Analysis: Developing Diagnostics with Inductive Logic Programming
人間の歩行動作は、個人の複数の属性に関する情報を持ち、多くの応用が期待されています。歩行は、生物学的に固有な特性や個人を特定できる属性を示すとともに、感情[1]や健康状態[2]に基づいて動的に変化します。特に，パーキンソン病などの神経変性疾患 [3]や変形性関節症などの筋骨格系疾患 [4]では，歩行が顕著に現れるため，医学界では注目されている．このような変化は、通常、確立された臨床歩行指標の標準的な範囲からの逸脱として表現されます。臨床では、歩行周期ごとの歩行の時空間的側面を表す特定の歩行指標 [5] が、病気の診断、リハビリテーションの進捗状況のモニタリング、理学療法介入の評価に使用されています。
次回はコロナパンデミックの影響で一年スキップされたILP2021について述べる。
コメント
[…] Inductive logic Programming 2019論文集より […]
[…] 前回はILP2019について述べた。今回はコロナパンデミックの影響で一年スキップされた2021年ILPについて述べる。 […]