| 研究課題/領域番号 |
20K23348
|
|---|
| 研究種目 |
研究活動スタート支援
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
1002:人間情報学、応用情報学およびその関連分野
|
|---|
| 研究機関 | 東京都立大学 |
|---|
研究代表者 |
チン ウェイホン 東京都立大学, システムデザイン研究科, 特任助教 (10876650)
|
|---|
| 研究期間 (年度) |
2020-09-11 – 2022-03-31
|
| キーワード | lifelong learning / topological map / continual learning / self organizing / active learning / memory neural network / cognitive robotics |
|---|
| 研究成果の概要 |
神経科学における補完学習システム（CLS）理論に触発され、エピソード-意味記憶に基づくフレームワークが注目され研究されている。従来の手法は、データ一括正規化を行う必要があり、異なるデータセット間で警戒ハイパーパラメータに敏感である。正規化せずに入力データを連続的に学習し、警戒ハイパーパラメータの影響を受けにくいRobust Growing Memory Network (RGMN)を提案する。RGMNは人間のエピソード記憶をモデル化した自己組織化トポロジカルネットワークであり、そのネットワークサイズはデータに対応して成長・縮小することができる。
|
| 自由記述の分野 |
Artificial Intelligence
|
| 研究成果の学術的意義や社会的意義 |
生涯学習は、計算機モデルや自律型エージェントにとって不可欠でありながら複雑な要素である。この分野での進歩は目覚しいが、既存の生涯学習モデルは、柔軟性、信頼性、拡張性の点で生物システムに大きく及ばない。正規化せずに入力データを継続的に学習し、パラメータ設定に頑健な人間のエピソード記憶をモデル化したRGMNを提案する。今後の課題として、より挑戦的なデータセットを用いて提案手法の有効性をさらに検証する予定です。また、人間のジェスチャー認識や行動分類などの時系列アプリケーションに、メモリネットワークの時空間接続性を利用することも将来の研究課題である。
|
