|
本研究は，近年盛んであるニューラルネットワークと，従来使われていた記号論理推論を統合したニューラル・シンボリックモデルの構築を目指している．特に，状態遷移を観測し系のダイナミクスを論理プログラムとして学習する分野において，ニューラルネットワークを用いて実現する手法を開発した．ニューラルネットワークと記号を融合する手法の中では，ネットワークの構造を記号に模倣させる手法が主流である．しかし，このような手法ではメモリー消費量が非常に大きい問題や，ニューラルネットワークでの最新の研究をすぐに取り入れられない問題などがある．そこで本研究では，ニューラルネットワークの構造に手を加えることなく，ニューラルネットワークの強みを活かす手法を実現した．ニューラルネットワークや深層機械学習の解釈可能性欠如問題が唱えられている中，学習結果を論理記号として出力する手法は今後より広範囲での応用が期待される．
2021年度では，これまでに直面していたスケーラビリティ問題を改善することができた．記号と深層機械学習を組み合わせることで避けられないのが組み合わせ爆発問題．以前開発した手法では，組み合わせ爆発問題により最大5変数の系にしか応用できず，これは実世界では千や萬にも達する系への応用にはほど遠いこととなっている．そこで記号に存在する対称性や，ニューラルネットワーク構造の出力の削減を通して，組み合わせ爆発を抑えることができた．これからの効率化手法を検証するために実験を行い，各手法の有効性を詳細に分析した結果については，国際会議において発表した．従来手法より大きい系に応用することができ，これからは実世界への応用も期待できる．
|
