|
初年度において関数の表現が豊かなフィードフォワードニューラルネットワークを用いても，相手を真似したいが，相手からは真似されたくない状況である敵対的模倣学習によって時系列が複雑化することが明らかになった．最終年度は，まず，敵対的模倣が複雑化に寄与しているのかを確かめるために，異なる真似関係構造がもたらす時系列の複雑さを明らかにした．相互作用の種類として，２体のそれぞれのエージェントに，模倣のみ（真似したい），被模倣のみ（真似されたくない），敵対的模倣の３種類を用いてシミュレーションを行った．結果として，少なくとも一方が敵対的模倣のときのみ時系列は複雑化し，そのときに相手が被模倣もしくは敵対的である必要があることが明らかとなった．両者の真似されたくないというのが複雑化の必要条件であり，かつ，少なくともどちらか一方が真似したいという敵対的模倣が必要であるとわかった．
さらに，敵対的模倣学習がもたらす時系列の時間方向の複雑化を示すために，記憶を保持できるリカレントニューラルネットワークの一つであるLSTMを用いてモデルの構築とシミュレーションを行った．結果，初年度のモデルと同様に，リアプノフ指数が正となり，時系列が複雑化することがわかった．そこで，記憶のないモデル時に見られなかったような時間方向への構造化を定量的に示すために，ZIP圧縮を用いて生成時系列を圧縮させた．時系列がカオスになっているエポックのうち，その中でも相対的に圧縮できるパターンが生まれていることが明らかとなった．このときの時系列の遷移パターンを可視化するために，N-gramモデルを用いて時系列を有限状態文法で表し，ノード数・パス数ともに小さくなっていることを示し，より単純なグラフになっていることがわかった．記憶を持つ場合には，空間方向だけでなく時間方向も扱えるため，時間方向の複雑化・構造化が生じた．
|
