ニューラルネットワークの分化に関する研究副題:高次認知機能実現に向けてのマルチモジュール化

• Project/Area Number: 10780246
• Research Category: Grant-in-Aid for Encouragement of Young Scientists (A)
• Allocation Type: Single-year Grants
• Research Field: Intelligent informatics
• Research Institution: Kanazawa Institute of Technology
• Principal Investigator: 出村 公成 金沢工業大学, 工学部, 講師 (80298322)
• Project Period (FY): 1998 – 1999
• Project Status: Completed (Fiscal Year 1999)
• Budget Amount: ¥2,000,000 (Direct Cost: ¥2,000,000); Fiscal Year 1999: ¥600,000 (Direct Cost: ¥600,000); Fiscal Year 1998: ¥1,400,000 (Direct Cost: ¥1,400,000)
• Keywords: ニューラルネット / 分化 / マルチモジュール

Research Abstract

自然言語理解、画像理解、あるいは意思決定問題などの高次認知機能は脳内の多数の部位(視覚野、聴覚野、海馬、小脳...)の共同作業により実現されている。脳型コンピュータ実現を目指すニューラルネットワークは従来のような一つの機能を実現する単一なネットワークモデルに関する研究ではなく、ネットワークが多数集まってできたマルチモジュール・ネットワークについて本格的に研究を始める時期である。
本研究では、マルチモジュール・ネットワークの基礎となるネットワークの分化、すなわち、ネットワークが自動的にマルチモジュール化するモデルについて検討した。
本モデルは当初ネットワークのトポロジーは決まっていない。ネットワークは1つのユニットからスタートして、学習データが与えられるに従ってユニット数が増加したり減少したりして最適なネットワークを構築する。学習の原理は基本的にはKohonenの自己組織化ネットワークと同じであり、ユニットが増加する点が違う。
また、同様にネットワークが増加するモデルをFritzkeが提案している。Fritzkeのモデルとの大きな違いは、距離関数として出村が提案している動的類似度を用いている点である。これにより、ネットワークのトポロジーがデータの構造を反映したものになり、データを分類する能力が高くなる。
本モデルではコラム状のマルチモジュールを生成することができたが、マルチモジュール間の階層構造などを実現できていない。それを解決するのが今後の課題である。