| Project/Area Number |
22K12173
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61030:Intelligent informatics-related
|
|---|
| Research Institution | Nihon University |
|---|
Principal Investigator |
尾崎 知伸 日本大学, 文理学部, 教授 (40365458)
|
|---|
| Project Period (FY) |
2022-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2023: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
|
|---|
| Keywords | データマイニング / 説明可能AI / グラフマイニング / 説明可能ＡＩ |
|---|
| Outline of Research at the Start |
本研究課題は、時間経過によって頂点や辺、属性値が変化する動的ネットワークを対象とした深層学習モデルに関する新たな知識獲得・説明生成技術を開発する。より具体的には、顕在特徴と潜在特徴を考慮した階層的特徴パターン抽出技術、および、抽出パターンを語彙とする解釈・了解可能な最適ルール集合獲得技術を開発することで、深層学習モデルが分散的に内包する多段に渡る複雑な関係知識を利用者が理解容易な形で外在化・構造化することを目指す。
|
| Outline of Annual Research Achievements |
本研究課題は、 既存の説明可能AI技術に関する問題点を軽減すると共に、深層学習モデルの安全な利用を促進するため、深層学習モデルから高い解釈性・了解性を持つ構造化知識を獲得することを目的としている。この目的に向け、本年度は(1)深層学習技術を用いたファッションコーディネートのモデル化、(2)ニューラル確率解集合プログラミングを用いた人狼ゲームにおける役職推定モデルの構築、(3)帰納的解集合プログラミングを用いた落下型パズルゲームにおける配置戦略の獲得について研究を行った。
深層学習技術を用いたファッションコーディネートのモデル化に関しては、タグ付きファッション画像を対象に、ファッションアイテムの組み合わせであるコーディネートを評価するための互換性および多様性の計量空間の構築を行った。ここで互換性とは、コーディネート内におけるアイテム同士の相性の良さを表し、また多様性とは、コーディネート間の視覚的な非類似性を表す。両空間の構築において、画像埋め込みを基本とする対照学習技術を利用している。
ニューラル確率解集合プログラミングを用いた人狼ゲームにおける役職推定モデルの構築に関しては、ニューラルネットワークの出力を確率的な述語として扱う論理プログラミングの枠組みを用い、人狼ゲームにおける発言をニューラルネットワークで処理すると共に、ゲームルールや傾向を解集合プログラムで表現することで、論理的な矛盾を排除し、またプレイヤ間の関係を考慮した確率的論理推定モデルを実現している。
帰納的解集合プログラミングを用いた落下型パズルゲームにおける配置戦略の獲得については、ぷよぷよゲームを対象に、ぷよ配置に関する選好基準の抽出を行った。具体的には、帰納論理プログラミングシステムILASPを用いることで、論理表現された盤面情報から配置に関する選好基準を弱制約の形で獲得している。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
人狼ゲームや落下型パズルゲームなど、動的グラフとして表現可能な対象に関する論理モデルの開発や、それに対する深層学習技術の併用を行っており、研究目的を達成するために不可欠となる深層学習および論理プログラミングに関する基礎技術については一定の成果が得られていると考えられる。
その一方で、動的グラフを対象とした深層学習モデルの構築や、特徴抽出に相当する階層的なパターン抽出技術に関しては、現状、基礎的な検討は終了しているが、具体的な実装や十分な実験・検証を行うことができておらず、その点で「やや遅れている」と判断する。
|
| Strategy for Future Research Activity |
これまで進めてきた、グラフデータを対象とした深層学習モデルの開発、及び、系列データを対象とした説明可能AI技術の高度化、論理を用いた学習システムの開発を継続するとともに、動的グラフを対象とした深層学習モデルの構築を行う。
開発したモデルを対象とした階層的特徴パターンの抽出に関しては、入力データに対する中間層出力も対象とした特徴的部分構造の抽出と、分散表現を通じたグループ化を繰り返すことで、階層的なパターンの抽出を試みる。加えて、知識グラフの枠組みを併用することで、解釈性を高める工夫を検討する。
さらに抽出されたパターンを語彙とし、ネットワーク上での語彙の連結関係を述語表現するとともに、彙間に成立する多様な関係を、論理ルールの集合として抽出する技術の開発を目指す。この際、確率論理プログラミングの枠組みを用いることで、より柔軟なルール集合の獲得を実現する。
|
