| 研究概要 |
これまでの人工知能(AI)研究は,計算機上で構築されたAIシステムと外界である実世界とのインタラクションをあまりに軽視してきた.その結果,アルゴリズムは複雑にはなるが,実世界の変化に適応できるような頑健性は,ほとんど持っていないAIシステムばかりが開発され,それらの多くは,環境が少しでも変化すると破綻してしまうものであった.このような反省にたち,現在人工知能研究において,外界への適応性が重視されるようになってきた.
そこで本研究は,問題分布の変化に適応可能な効率化学習の実現をその目的とした.具体的な学習アルゴリズムとしては,筆者がこれまで研究してきた説明に基づく学習の手法を用いたマクロオペレータ学習を用いる.対象領域として,演繹データベースおよび一般性の高い制約充足問題を考え,そのアクセスまたは問題解決の高速化を目指す.これらの領域において,問題の分布が変化した場合に,その変化を十分に迅速に検知して,できるだけ少ないコストでこれまでの学習結果を修正,新しい問題分布での再学習に移れるようなメカニズムを計算機上にインプリメントし,実験的にその有効性を確認した.
|
