| 研究概要 |
本研究の目的は,人間の脳の動作をできるだけ模擬した新しい知識処理原理を追及することにある。具体的にはニューラルネットワークを用いて情報を分散表現し,連想に基づいて知識処理を行うことである。その際,基本構成要素となる連想記憶モデルの特性がシステム全体の特性を決定する。知識処理を行うためには非常に多くの情報を記憶することが不可欠だからである。しかし,従来の相関に基づいたニューラルネットワーク連想記憶モデルではその記憶容量が小さいため,知識処理に大きな制約が生じてしまう。そこでまず大容量ニューラルネットワーク連想記憶モデルの構築が重要課題となった。
従来の連想記憶が相関に基づいているのに対し,本研究では不等式の緩和法に基づく解法によって連想記憶を行う新しい手法に着目した。連想記憶ニューラルネットワークの重みの初期値として相関に基づく値を用いることを提案し,これにより学習時間を大きく短縮した。さらにこの新しい連想記憶モデルの特性を詳細に調べ,システムの善し悪しを決定する重要なパラメータを発見した。また記憶容量に関しては,記憶情報の類似度に関係なく従来の相関に基づくモデルに比べて10倍以上に増えることが計算機シミュレーションによって確認された。これらの成果は,電子情報通信学会論文誌で発表される。
これを基本モデルとして,知識処理を行う研究を行った。例題として人工知能の分野で有名なセマンティックネットによる知識表現を扱い,提案した新しいニューラルネットワークによる連想記憶モデルによって知識表現が可能なことを確認している。現在は,より高度な知識処理をめざした研究を進めている。
|
