KI 2016: Advances in Artificial Intelligence論文集より

D-FLATは、問題インスタンスの木構造上の動的計画法により、計算問題を解く アルゴリズムを開発するフレームワークである。動的計画法のアルゴリズムは、回答集合プログラミング（ASP）により指定され、宣言的で簡潔な仕様が可能である。D-FLATは木構造を走査し、木構造の各ノードで与えられた仕様でASPシステムを呼び出します。そのため、ASPプログラムの評価を効率的に行うことが極めて重要です。実験が示すように、重みやより複雑な演算を含む問題は、ASPの接地ステップのためにこのステップが大幅に遅くなり、この場合大きな接地プログラムを生成してしまう。この問題を解決するために、我々はD-FLATにカウンタを内蔵させ、特定の計算をASP側からD-FLATの内部へ移行させることを試みている。本論文では、この新機能に注目し、支配集合問題の重み付きバージョンに関する実証ベンチマークを行い、我々の新バージョンがD-FLATの頑健性と効率性を向上させることを示す。

近年のディープラーニング技術の進歩により、高品質な学習セットがあれば、複雑な入出力マッピングを学習することができる。本論文では、スマートグローブに基づくアノテーションに3Dハンドモデルをフィットさせ、新しいハンドビューを生成することにより、対応する3Dハンドポーズをアノテーションした手の深度マップの既存のデータセットを拡張する方法を示す。また、生成されたデータとコードを公開する。本手法とこれまでの成果を基に、高品質なデータ生成のためのパイプラインを提案する。

我々は、ドメインオブジェクトが既知である確率的一階形式を考察する。これらの形式主義において、推論のための標準的なアプローチはリフティングされた変数の消去である。一階設定における推論のための接合木アルゴリズムの利点を享受するために、我々はリフティングのアイデアを接合木アルゴリズムに移す。

我々のリフテッドジャンクションツリーアルゴリズムは、シンメトリーをコンパクトに表現する一階ジャンクションツリーを導入することにより、計算量を削減することを目的としている。最初の実験では、命題版と比較して計算時間が短縮されることが示された。複数のマージンを問い合わせる場合、lifting VEを用いて各マージンを個別に推論するよりも、lifting junction treeアルゴリズムの方が良い性能を示す。

一人用ゲームの組み合わせ探索では、入れ子型モンテカルロ探索は、二人用ゲームや一般的なゲームに適用されるUCTのようなアルゴリズムに代わる明白な選択肢である。探索と攻略を両立させるため、ランダム化探索は再帰深度が深くなるにつれて探索を強化する。状態から行動への簡潔なマッピングが利用可能な場合、政策学習の統合により、政策適応を伴う入れ子型ロールアウト（NRPA）が得られるが、ビームNRPAは各再帰レベルにおいて有限個の解を保持する。本論文では，Beam-NRPAの改良を行い，実行時間と解の多様性を改善することを提案する．

本論文では、POMDPの厳密値反復で遭遇する枝刈り手順を高速化することを目的とする。POMDPの価値関数は、状態空間上の有限のベクトル集合で表現することができる。厳密値反復アルゴリズムの各ステップにおいて、可能なベクトルの数は行動集合のカードナリティに比例して増加し、観測集合のカードナリティに比例して指数関数的に増加する。このベクトル集合は、状態空間上で同じ価値関数を保持する最小の部分集合に刈り込まれる必要がある。したがって，一般に枝刈り手順はPOMDPの最適政策を求める際のボトルネックとなる．本論文では、これらの無駄なベクトルを検出するために、古典的なLarkのアルゴリズムと最近提案されたSkylineアルゴリズムという二つの異なる線形計画法について分析する。我々は，既に処理されたベクトルのサポート領域に関する情報を用いることで，両アルゴリズムが劇的に改善されることを主張する．本論文では、ランダムに生成された問題とPOMDPベンチマークを用いた比較実験を行う。

安定モデルの意味論に基づく答集合プログラミング(ASP)は，構文的には異なるが意味論的には等価な方法で同じ現実を表現するための様々な言語構成をサポートする．しかし、これらの等価なプログラムの性能は等しくないかもしれない。これは、性能がソルバーの実装に依存し、ソルバーが異なる言語構成要素を異なる方法で扱う可能性があるためである。ASPを実世界に適用するためには性能が非常に重要であるため、ASPの言語構成要素の相互交換性と性能に関する知識は、知識工学者にとって非常に重要である。本論文では、ASP競技会のベンチマーク問題において、異なる言語構成要素の使用が最新のソルバーとグラウンダーの性能にどのような影響を与えるかについて調査した結果を示す。ここでは、論理和や選択、古典的な否定、および様々な集約関数を表現するために使用される構文に焦点を当てる。言語構成が解答性能に及ぼす相互の影響を明らかにした。

我々は、家庭のような自然な環境の中で、置き忘れた持ち物を探す人間を支援するロボットシステムIRMA (Interactive Robotic Memory Aid) を発表する。本システムは、シームレスで直感的な人間とロボットのインタラクションを実現するために、最先端のアプローチを新しい方法で統合したスタンドアロン型のシステムである。IRMAは、視線を話し手に向け、文法に依存することなく話し手の指示を理解します。また、関連する物体の位置を判断し、環境内を無衝突で移動します。また、家具を基準点として、物体の位置を自然言語で記述する。IRMAの有用性を評価するために、20名の参加者によるユーザスタディを実施した。その結果，IRMAの総合満足度は4.05，知覚的正確度は4.15（1〜5段階評価，5が最高）を達成しました．

がん医療に関連するパラメータは急速に増加している。このような複雑な状況を改善するための臨床判断支援システムは、それぞれの有効成分やその相互関係について推論できなければならない。本論文では、対応するオントロジーを提示し、臨床治療の決定に関連するクエリに答えるために使用することを説明する。

自動交渉を成功させるためには、エージェントが相手の潜在的な嗜好をいかにうまく学習できるかが重要な課題である。しかし、ほとんどの現実的なケースでは、相手は搾取のために自分の本当の嗜好を明らかにしたがらないだろう。既存のアプローチは、交渉中の相手の観察を通じて相手を学習することでこの問題を解決する傾向がある。この方法は有用であるが、ターゲット機能の観察方法が間接的であることと、学習可能な経験値が限られていることから、困難な方法である。この状況は、結果空間が大きい交渉問題になると、さらに悪化する。本研究では、エージェントが他者と交渉するだけでなく、特定のエージェントがオファーを受け入れるか拒否するかについての情報（例えばラベル）を提供することができる新しいモデルを提案する。特に、ある支払いに対するオファーに対するラベルを提示できるエージェントの群れが存在すると考える。さらに、収集されたラベルは、専門知識の欠如やスパマーの蔓延などにより、ノイジーであると想定される。そこで我々は、(1)相手の譲歩を推定して適応的に志望度を設定し、(2)オンライン原始-双対手法を用いて、全体の予算を十分に低い誤差で最小化できるようにラベル付けタスクを群衆に割り当て、(3)交渉の各段階で、提案されるべき最適なオファーを決定するという、新しい交渉手法を導入する。

ジョブショップスケジューリング問題は、今日の工業生産環境における大きな課題である。現実的な問題インスタンスの大きさのため、適用される手法は低い計算コストしか得られない。さらに、非常に動的な生産体制であるため、適応性が絶対的に必要である。最新の生産工場では、大規模な問題インスタンスはサブインスタンスに分割され、どのジョブ操作を次に機械にロードするかを決定するために、貪欲なディスパッチルールが適用される。本論文では、このような手作業によるスケジューリングルーチンに着想を得た、新しいスケジューリング手法を提案する。本アプローチは、問題分解による計算コストの削減、ディスパッチルールの有効性、宣言型プログラミングによる高い適応性と保守性の3つの要素で構成されている。本発表では、最適解が証明された大規模ジョブショップベンチマークを用いて、この新しいスケジューリング手法のコンセプトを証明する最初の結果を示す。

近年の持続可能性への取り組みから，機械スケジューリングのアプローチには，スケジューリングの最適化においてエネルギー効率を考慮することが求められている．本論文では、メイクスパンを維持しながら電力ピークを低減するアプローチを提案し、評価する。本アプローチの中心的なコンセプトは、反復的な最適化を通じて、メイクスパンに影響を与えることなく、スケジュールのエネルギー入力の高低をゆっくりと均等化することである。このアプローチは、シミュレーテッドアニーリングアルゴリズムに基づき、目的関数として目標計画法を用いて、機械のスケジュールをメイクスパンとエネルギー投入量に関して最適化するものである。

この研究では、時間ベースのイベントの集合に対する特徴抽出のためのいくつかのアプローチを開発し、評価する。一方では、これらのイベントのセットはビデオファイルから抽出され、他方では、手動でアノテーションが施される。教師付き機械学習の方法を用いて、2つのイベントセットを互いに対応付ける。その後、タイムスロットと要求されたイベントタイプごとに、2値分類が適用される。このように、データマイニングとメディアテクノロジーの側面が議論され、出力セットに投影することで入力セットの合理的な縮小を達成するという目標で組み合わされる。これは、オーディオビジュアルファイルの品質管理のための自動化されたプロセス環境において、オペレータの時間を節約する。この目的は、開発した方法を適用することによって達成されることが示される。加えて、さらなる結果と限界も示す。

自律型ロボットのためのフリースペースナビゲーションは、特に物流や倉庫管理の領域において、産業界に大きな影響を及ぼしている。この問題では、ロボットの動作計画研究で最近利用されている物理的巡回セールスマン問題を拡張し、複数の同時走行車両を考慮したマルチエージェントシミュレーションによる解決策を述べる。

車両間の相互作用については、物理体同士の衝突を計算し、弾性衝突の結果生じる衝撃を適用する。各ロボットのコントローラから環境リアルタイムシミュレータに提案された動作を転送するマルチスレッドコントローラを実装する。車両への集配タスクの最適な割り当てを計算するために、ネストされたモンテカルロ木探索を適用する。

実験では、ピッキングステーションに棚を自動でピックアップし、配送するためのロボットナビゲーションの問題を研究しています。

我々は、Twit-terやGoogleなどのチャネルから取得した「super bowl」や「oscars 2016」などのトレンドトピックに基づくソーシャルメディア分析に取り組んでいます。本アプローチは、ニュース検索から取得したテキストコンテキストでトレンドをリッチ化し、用語空間におけるクラスタリングとトラッキングを適用することで、意味的に関連するトピック（「oscars 2016」と「leonardo dicaprio」など）の識別に取り組む。2016年2月～3月の手動注釈付きトレンドを対象とした定量的実験において、本アプローチは信頼性が高く（F1スコア90%以上）、DBPediaを用いた知識グラフモデリングや記事・用語の直接比較を含む複数のベースラインよりも優れていることを実証している。

生物多様性データの収集と維持には、自動化が必要である。我々は、世界中のハーバリウムに保管されている標本から種を同定するための自動化されたモデルフリーアプローチの最初の結果を発表する。方法論的には、我々のアプローチは、いわゆる注目点の検出と記述、および標準的な教師付き学習ツールを用いた種特性カテゴリへの分類のための標準的な手法に依存する。一方ではモデルフリーなアプローチを維持し、他方では非常に困難なケースでも種の同定の機会を提供するために、オンデマンドの能動学習の概念を用いて、重要な視覚的手がかりに関する特定の知識を誘発することを可能にしている。シダの種を選択した最初の有望な結果は、94 %から100 %の認識精度を示している。

ワークフローマイニングとは、イベントログの集合からワークフローを自動的に検出するタスクである。我々は、ネットワークトラフィックがイベントログの集合として機能し、それによってワークフローマイニングのインプットとして機能することを主張する。ネットワークは大量のネットワークトラフィックを生成し、我々はデータマイニング技術を適用することによって、ワークフローイベントのシーケンスを抽出することができます。このような結論に至ったのは、以下の観察によるものである。ネットワークトラフィックはネットワークパケットで構成され、ネットワークデバイス間で情報を共有して共通のタスクを遂行するために交換されます。この共通タスクはワークフローイベントに相当し、時系列で観測すると、ワークフローイベントのシーケンスを記録し、ワークフローを隠れマルコフモデル（HMM）としてモデル化することができる。ワークフローイベントのシーケンスは、ネットワーク依存関係によって引き起こされ、分散したネットワークデバイスが相互作用することを余儀なくされます。ネットワークトラフィックを基にワークフローを自動的に導き出すために、我々はネットワークサービス依存性マイニングに基づく手法を提案する。

モデルベース診断には多くの利点がありますが，実際のところ，その利用は概念実証のためのプロトタイプに限られています．この背景には、モデル化のステップに資源が必要であることや、このステップに追加的なトレーニングが必要であることが挙げられます。これらの問題を克服するために、我々は、Modelicaのようなサイバーフィジカルシステムを記述するために学界や産業界で既に確立されているモデリング言語を、論理ベースのモデルを導き出すための基礎として使用することを提案する。モデル化されたシステムに関する観察結果とともに、これらのモデルは、検出された欠陥の根本原因を導き出すためのアブダクション診断エンジンによって使用されます。我々のアプローチの背後にある考え方は、Modelicaで書かれたコンポーネントの故障モデルを導入し、利用可能なシミュレーション環境を使用して、故障のないモデルの期待される結果に対する動作の偏差を判断することです。導入された欠陥モデルと、その結果得られた逸脱に関する情報は、診断に使用するホーンセクションに直接マッピングすることができます。

人工知能やロボット研究の長期的な目標のひとつは、人間とほぼ同等の認知能力、コミュニケーション能力、操作能力を持つロボットシステムを開発することである。このことは、将来のロボットシステムにとっていくつかの課題をもたらす。例えば、コミュニケーション能力の分野では、言葉やジェスチャーなどの記号を用いた人間の自然なコミュニケーション方法と、低レベルのサブシンボリック制御インタフェースを用いた人工システムの自然なコミュニケーション方法との間を橋渡しすることが必要である。本研究では、物理的特性や物理的効果を利用して、高レベルの記号的なユーザインタフェースと低レベルの記号的なロボット制御インタフェースの間のマッピングを行うシステムの概要を説明する。

行動ベースの生体認証への関心が高まっている。生体情報は個人差が大きく、偽造される可能性もありますが、そのような「弱い専門家」の組み合わせは、むしろ強力なものになります。このような生体情報には、視線方向の推定、つまり眼球運動のパターンが含まれます。本発表では、視線推定システムのための新しいパーソナライズ法を紹介する。この方法は、精密な校正設定を必要とせず、目立たないようにでき、高速で使いやすい。本手法により、視線方向推定アルゴリズムの精度が大幅に向上することを示す。この方法は便利であり、少数の収集データを人為的に充実させるために、3D顔モデル再構成を利用する。

近年の情報抽出の発展により、DBpedia [1] や YAGO [8] などの巨大な知識グラフ (KG) が構築されるようになってきた。現代の知識グラフを完成させ、キュレーションするために、帰納論理プログラミングやデータマイニングの手法が導入され、例えば、「既婚者は同じ場所に住んでいる」という頻出パターンを特定し、r1 : livesIn(Y,Z) ←isMarriedTo(X,Y ),livesIn(X,Z) というルールとしてキャストしている。これらのルールは、様々な用途に利用できる。まず、KG は OWA（Open World Assumption：不在の事実は未知とする） で運用されるので、これを適用して新しい潜在的事実を導出することが できる。第二に、ルールはKGから誤った情報を排除するために使われる。

既存の学習法はホーンルール[4]に限定されており、より複雑なパターン、例えばr2:livesIn(Y,Z) ←isMarriedTo(X,Y ),livesIn(X,Z),not researcher(Y ), すなわち非単調ルールを捉えるには不充分であった。r1 は一般に成立するが、Y が研究者であるという追加的な知識は、 isMarriedTo の少数のインスタンスが同居していない理由を説明することが できる。これは isMar-riedTo 関係だけに頼って、欠けている同居場所を推論 するのを防ぐことができる。

少なくとも人工知能（AI）の基礎に関する深い知識は、科学や工学の分野でキャリアを積む上でますます重要になると思われる。そこで我々は、高校レベルで人工知能の基本概念を教える革新的な教育プロジェクトを発表する。我々は、AIとコンピュータサイエンスの主要なトピック（オートマトン、エージェントシステム、データ構造、検索アルゴリズム、グラフ、検索による問題解決、計画、機械学習）を扱う高校AIコース（「iRobot」）を、現在の文献での提案に従って開発した。このコースは週7回、2時間ずつの授業で構成され、理論と実践の両部門からなる。我々は、オーストリアの代表的な高校でパイロットプロジェクトを実施し、実証的に評価した。評価の結果、参加した生徒はコースに含まれる概念と、扱われる様々なトピックに慣れ親しんでいることが分かった。

知識表現と推論は、現代のAIの中心的な関心事である。その重要性は、今日多くのアプリケーションで公開、共有、統合されている大規模な構造化データコレクションが利用可能になるにつれて高まっている。グラフベースのデータ表現、いわゆる知識グラフ（KG）は、産業界や学術界で人気があり、多くのフォーマットで提供されている。RDF [8]はWeb上でこのようなデータを交換するために最も普及しており、このフォーマットによる大規模なKGの例としてBio2RDF [7]、DBpedia [6]、Wikidata [20] および YAGO [9]が挙げられる。しかし、KGは必ずしも本来のグラフ形式で保存されているわけではなく、多くはリレーショナルデータベースにも存在する。

本論文では、車載型音声ナビゲーションシステムとドライバーの対話中に撮影された映像（ドライバーの顔）と音声（ドライバーの声）の両方から、ドライバーのフラストレーションを検出する方法を提案する。20人のドライバーからなるデータセットには、596の音声エポック（1秒から15秒の音声クリップ）と615のビデオエポック（1秒から45秒のビデオクリップ）が含まれている。このデータセットは、2つの年齢層、2つの車種、および両性にバランスよく配置されている。モデルは被験者に依存せず学習され、4重クロスバリデーションを用いてテストされた。その結果、1つの音声エポックからフラストレーションを検出する精度は77.4 %、1つの映像エポックからフラストレーションを検出する精度は81.2 %を達成した。さらに、ビデオとオーディオのエポックを一連のインタラクションとして扱い、決定時間と分類精度のトレードオフを特徴付けるために決定融合を用い、9エポック後に予測精度を88.5 %まで向上させた。

本稿では、G ̈odel の存在論的議論における不整合について述べる。G ̈odelの論証は人気があるにもかかわらず、この不整合は2013年に高階定理証明器Leo-IIによって自動的に検出されるまで気づかれないままであった。IJCAI 2016の論文[6]で利用可能なこの矛盾に対するメタロジック的説明を補完し、ここでは意味論証に依存しない純粋なオブジェクトロジック的説明を新たに提示する。

Tableaux ベースの手法は、線形時間論理の充足性検証のために最初に 提案された手法の一つである。初期の LTL のタブロー[21]は、式の可能なモデルをパスとする グラフを構成し、そのパスの中から実際のモデルを探索する 方法であった。その後、[17]によるツリー型タブローが開発された。これは、実際の探索木に似た構造を構築することで動作するが、バックエッジを持ち、モデルの存在を評価するために複数回のパスを必要とする。本論文では、新しいtableau手法に基づくLTL充足可能性チェックのための新しいツールに関する研究を要約する。新しいタブロー構成は、非常に単純で説明しやすく、実際にツリー状の構造を構築し、与えられたブランチを受け入れるかどうかを決定するのに1パスしか必要としない。この実装は、既存のタブロー法と異なる充足可能性技術を実装したツールと、速度およびメモリ消費量の点で比較され、基本的なアルゴリズムの単純さにもかかわらず、良好な結果を示した。

アンサーセットプログラミング(ASP)は、最近、木構造に対する動的計画法(DP)アルゴリズムの指定と実行に用いられている。これは、ある構造を持つインスタンスに対して難しい問題を効率的に解くことを目的としたパラメータ化COM-Plexityの分野における中心的なアプローチである。このASPベースの手法は、テーブルをボトムアップで計算する標準的なDPアプローチに従っており、いくつかの計数問題や列挙問題では良い結果を得ることができた。しかし、最適化問題では、この方法は最適解が見つかる前に解を報告する可能性に欠け、探索問題ではしばしば不必要な行を大量に計算することになる。本論文では、最近のマルチショットASP技術を利用し、「遅延」DPを可能にする新しいASPベースのシステムを発表する。予備実験の結果、このアプローチは探索問題に対してより良い性能をもたらすだけでなく、最適化問題に対するいくつかの最新ASP符号化方式を、あるタイムアウト後の最適解の品質を測定する、すなわちanytime computationの点で上回ることが示された。

本論文では、存在規則を用いて表現されたオントロジー知識と可能性ネットとを組み合わせることで、（i）ドメイン知識とともに定性的嗜好を表現し、（ii）接続問い合わせ（CQ）の嗜好に基づく応答を実現する方法を検討する。これらの組み合わせをオントロジカル・ポシビリスティック・ネット(OP-net)と呼ぶ。我々は、CQに対するスカイラインとkランクの回答をプリファレンスに基づいて定義し、OP-netの一貫性とCQスカイラインメンバーシップを決定するための複雑さ（データトラッカビリティを含む）の結果を提供する。我々の形式は、既存の同様の形式よりも低い複雑度を持つことを示す。

抽象的な論証における異なる意味論の関係を理解することは、特に、そのような意味論が非単調推論への異なるアプローチの基本的な成分を捕らえることから、重要な問題である。我々が関心を持つ問題は、次のように二つの意味論に関連するものである。拡張の任意の2つのセットに対して、一方の意味論の下で正確に第1の拡張セットを持ち、他方の意味論の下で第2の拡張セットを持つ論証フレームワークが存在するかどうかを決定できるような、必要条件と十分条件は何であるか。我々は合計9つの論証の意味論を調査し、厳密な特徴付けのほぼ完全な景観を与える。このような結果は、意味論間の独立性に関する説明を与えるだけでなく、探索空間をどのように刈り込むかのガイドラインを提供することにより、論証システムにおいて有用であることを証明するものである。

状態空間探索は、古典的な計画におけるゴール到達性のように、大規模な遷移システムにおける到達性をテストするための標準的なアプローチであり、この研究はここに位置づけられる。状態空間探索のための分解技術は長い歴史があり、特にペトリネット展開[7, 14, 20]は同時遷移経路上の探索を分解し、ファクタリング計画[2, 4, 8, 19]は状態変数の別々の成分上の局所計画とグローバル計画に探索を分解する。

著者の一部による最近の研究[9, 10]は、スタートポロジーに特化した、ペトリネット展開とファクタリング計画のハイブリッドと見なすことができる、スタートポロジー展開を考案している。状態変数は、構成要素間の相互作用がスター型トポロジーを形成する構成要素に因数分解される。探索は、構成要素の状態を原子要素とするペトリネット展開に類似しており、スター内のリーフ構成要素の同時パスを独立に探索する。ペトリネット展開や従来のファクトライズド・プランニングと比較すると、スター型トポロジーを利用することが重要な利点であり、コンフリクトや到達可能マークについて推論する必要性や、任意のコンポーネント間の相互作用を解決する必要性といった複雑性の主要因を排除することができる。

抽象化ヒューリスティックは、古典的なプランニングにおいて、最適な探索アルゴリズムを導くための一般的な方法である。コスト分割は、行動コストを抽象化された要素間で分割することにより、ヒューリスティックな推定値を許容的に合計することを可能にする。我々は、行動の文脈情報を考慮した状態依存のコスト分割を導入し、最適な状態依存のコスト分割が状態非依存の対応するものを優越することを示す。また、最近提案された飽和コスト分割の状態依存版を用いて、状態依存コスト分割の可能性を示し、状態非依存コスト分割のみならず、最適な状態非依存コスト分割をも改善できる場合があることを示す。

グループ意思決定 [4, 5, 8, 9, 11, 14] は，複数の意思決定者が異なる選好を持つ場合に，合理的な意思決定を見出す問題に取り組むものである．この拡張アブストラクトでは、[20]の主要なアイデアを高レベルで説明する。また，嗜好がエージェントの個々の効用と信念から導出できる場合に，確率的信念併合がどのようにグループ決定問題の解決に適用できるかを説明する．続いて、我々のアプローチが個人の好みと導出されたグループの好みの間の関係について与えることができるいくつかの保証について議論する。

非単調推論が可能であることは、人工知能の実用化においても、人間の日常生活においても重要である。人間は古典的な論理から体系的に逸脱しており、特に以前に導いた結論を修正することに関して、この方法で日常の問題を解決することに非常に成功していることが示されている。人工知能における既定・非単調推論への多くのアプローチは、人間の常識的推論と密接に対応するように開発されてきたが、非単調・既定論理が実際に人間の推論を正式に表現するのに適しているという主張を裏付ける実証研究はほとんど行われていない（例えば [9, 11] 、それらはほとんどコンピュータ科学の観点から動機づけられている）。本論文では、心理学で最初に提起され、心理学者にとって非単調性現象を明らかにした最初の例の一つである中核的な研究問題に焦点を当てる。いわゆるサプレッション課題は[1]で紹介されたもので、付加的な情報によって、それまでモーダスポネンズによって導き出された結論を、人間があきらめてしまうことがあることを示すものである。具体的には、αδ（グループ1）、αβδ（グループ2、βケースともいう）、αγδ（グループ3、γケースともいう）の3種類の問題のいずれかを3グループの参加者に与え、α、β、γは次の文の記号である。

モデルベース診断は、観察中のシステムが予期せぬ振る舞いをした場合に、なぜそのような振る舞いをするのか、可能な説明を見つけ出すための原理的なAIアプローチである。複雑なシステムでは、そのような説明の数が多すぎて、ユーザが手動で検査することができない場合がある。このような場合、逐次診断のアプローチを適用することができる。問題の真の原因を見つけるために、これらのアプローチは、可能性のある説明のセットを絞り込むために、繰り返し追加の測定を行う。

このような逐次診断の設定における計算負荷の高い課題の1つは、次の測定点を「最適」に決定することである。本論文では、最近提案した逐次診断手法の主要なアイデアをまとめる。この手法では、新たに導入した「部分」診断の概念を用いて、次の測定点を決定するプロセスを大幅に高速化した。その結果、問題の真因を見つけるために必要な計算時間の全体的な短縮が、異なるベンチマーク問題を用いて定量化され、システムの構造に関するいかなる情報も必要とせずに達成された。

多くの逐次回帰問題では、平均偏差を最小にしつつ、回帰出力のシーケンスと連続値の学習ターゲットとの相関を最大にすることが目標となる。例えば、連続次元の感情認識では、音響特徴のシーケンスを感情の輪郭にマッピングする必要がある。他の領域と同様に、リカレントニューラルネットワークはこのタスクで優れた性能を発揮する。しかし、ニューラルネットワークの学習における通常の二乗誤差の目的関数は、上記の目標を十分に考慮したものではない。そこで、本論文では、コスト関数としてコンコーダンス相関係数を用いたニューラルネットワークの識別的な学習のための手法を紹介する。MediaEval 2013とRECOLAデータベースを用いた結果、提案手法は、音楽と音声の両領域において、標準的な平均二乗誤差学習と比較して評価基準を大幅に改善できることが示された。

次回はKI2017について述べる。