| Project/Area Number |
21H04905
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (A)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Medium-sized Section 61:Human informatics and related fields
|
|---|
| Research Institution | National Institute of Informatics |
|---|
Principal Investigator |
Inoue Katsumi 国立情報学研究所, 情報学プリンシプル研究系, 教授 (10252321)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
坂間 千秋 和歌山大学, システム工学部, 教授 (20273873)
Phua Yin・Jun 東京科学大学, 情報理工学院, 助教 (20963747)
Nicolas Schwind 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 主任研究員 (60646397)
小島 諒介 京都大学, 医学研究科, 講師 (70807651)
|
|---|
| Project Period (FY) |
2021-04-05 – 2025-03-31
|
| Project Status |
Completed (Fiscal Year 2024)
|
| Budget Amount *help |
¥41,470,000 (Direct Cost: ¥31,900,000、Indirect Cost: ¥9,570,000)
Fiscal Year 2024: ¥8,710,000 (Direct Cost: ¥6,700,000、Indirect Cost: ¥2,010,000)
Fiscal Year 2023: ¥11,700,000 (Direct Cost: ¥9,000,000、Indirect Cost: ¥2,700,000)
Fiscal Year 2022: ¥12,480,000 (Direct Cost: ¥9,600,000、Indirect Cost: ¥2,880,000)
Fiscal Year 2021: ¥8,580,000 (Direct Cost: ¥6,600,000、Indirect Cost: ¥1,980,000)
|
|---|
| Keywords | 知識表現 / 推論 / 機械学習 / 論理プログラミング / ロバストAI / ニューロシンボリックAI / 知識表現・推論 |
|---|
| Outline of Research at the Start |
人工知能(AI)における機械学習と知識表現・推論を深層レベルで組み合わせた革新的な基盤技術を開発する。機械学習で得られた知識を既存の知識に同化し、それにより少数データからの学習を可能にし、常識推論により新しい状況にも柔軟に対応できるようなロバスト性をAIに持たせる。これにより過去になかった分野へのAI適用を図り、AI基礎研究において世界をリードして行くプロジェクトを目指す。
|
| Outline of Final Research Achievements |
We developed fundamental techniques for Artificial Intelligence (AI) by deeply integrating Machine Learning (ML) and Knowledge Representation and Reasoning (KR). We set three goals for this purpose: (A) Improving explainability and updatability of ML models by incorporating KR techniques; (B) Developing robust KR methods supported by ML techniques; (C) Applying those integrated AI methods to innovative applications. By this way, knowledge obtained as ML models is assimilated to existing knowledge, thereby enabling us to rationally learn from small amounts of data. By adapting ML techniques, reasoning systems become scalable and robust to noise. Then, those AI methods have been applied to new domains that require both learning and reasoning.
|
| Academic Significance and Societal Importance of the Research Achievements |
従来の記号による推論・学習は説明可能性を有しているが、ノイズに弱く、実データから得られる表現が正しくないと推論結果も間違ったものとなっていた。また離散化された領域では組み合わせ問題が生じるため、スケーラビリティの面でも問題があった。本研究では、記号推論・学習問題を代数的手法と連続ドメインにおける最適化手法を用いて解くための新技術を開発し、SAT・論理プログラミング・解集合プログラミング・アブダクション・帰納論理プログラミング等の記号推論においてロバストかつスケーラブルであるような基盤技術を開発した。これらは信頼できるAIのための基礎を築いており、ニューロシンボリックAI分野で注目されている。
|
