| 研究概要 |
人工知能のための代表的な学習手法として,説明に基づく学習がある.この手法では,学習すべき概念の例を領域固有の知識を用いて説明し,その例を一般化して獲得することにより,問題解決を効率化する.ところが,獲得したルールが増加し過ぎると,逆に推論効率が低下することが多く,学習の有効性が問題になってしまう.
本研究では,この問題を解決する推論および学習機構を開発した.学習と推論の各過程は,これまで別々の機構で実現されてきたが,グラフリダクションによる並列計算手法の導入により,両方の過程を融合する.効率低下は,学習後に増加したルールの検索コストにより生じる.本手法では新しいルールを生成せず,学習前のルール構造の上に必要な構造だけを追加するので,ルール数を増加させずに効率的な表現を獲得でき,常に学習を有効に保つことができる.このことを理論と実験の両面から確かめた.
まず,Prolog言語によりシステムを記述し,コンピュータ上で基本的な動作を確認した.簡単な例題を数多く実行することにより,ハンドシミュレーションでは検出されないバグを発見し,仕様の詰めを行なった.
最終的に,システムをLisp言語上で実現し,目標とする速度のシステムの実現を行なった.これにより,member述語,平面幾何の証明などの問題を解き,推論と並行して自動的に学習が行なわれていること,学習を繰り返しても推論効率は低下せず,学習の有効性が保たれていることを確かめた.
|
