2019 Fiscal Year Annual Research Report
Learning Relational Dynamics from State Transition
| Project/Area Number |
17H00763
|
|---|
| Research Institution | National Institute of Informatics |
|---|
Principal Investigator |
井上 克巳 国立情報学研究所, 情報学プリンシプル研究系, 教授 (10252321)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
坂間 千秋 和歌山大学, システム工学部, 教授 (20273873)
沖本 天太 神戸大学, 海事科学研究科, 准教授 (10632432)
Nicolas Schwind 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 研究員 (60646397)
|
|---|
| Project Period (FY) |
2017-04-01 – 2021-03-31
|
| Keywords | 推論 / 機械学習 / 知識表現 / 関係学習 / 表現学習 / 状態遷移 / ダイナミクス学習 |
|---|
| Outline of Annual Research Achievements |
本研究では、時間的に変化する系の関係ダイナミクスを状態遷移列の観測から学習するために、(1)関係ダイナミクス学習理論の構築、(2)スケーラブルな関係ダイナミクス学習方式の開発、(3)ダイナミック環境におけるチャレンジ問題への適用、のサブテーマを設定している。令和元年度は前年度の研究成果を基に、各サブテーマの成果を相互に適用・フィードバックさせながら研究を進めた。
(1)関係ダイナミクス学習のために提案している「解釈遷移からの学習(LFIT)」の枠組みを実ドメインでも展開できるようにするために、連続ドメインの変数ベクトルの状態遷移について、離散化手法を複数適用したうえで、より予測性能が高くなる学習方式を考案した。また動的環境における推論規則の学習として、前提と帰結のペアからなる事例や時系列で変化するデータから、状態変化をもたらす推論規則を機械的に学習するアルゴリズムを開発し実装した。
(2)LFITの学習方式の一つであるニューラルネットワークによるダイナミック系の学習について、ノイズを含む遷移列からの学習方式を開発した。また、大量の関係データから帰納的一般化を計算するアルゴリズムを開発し実装した。
(3)時系列データからの生体ネットワーク学習ではDREAM 8チャレンジ問題を解き、従来のベストな解法を凌ぐ方式を開発した。また信念修正の前後状態から翻意方式を推定する方法等について検討した。確率的提携構造形成問題については、計算量の解析を行い混合線形計画プログラミングによる計算方法を開発実装し効率性を検証した。新たな取り組みとして、複数の情報源を反復的にマージし各ソースの信頼性を動的に更新する枠組みの研究に着手した。さらに、制約充足問題における大域的な解に影響を及ぼす変数の特定に関する基礎研究を実施した。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
本研究は順調に進展しており、当初の計画以上に研究の幅を拡大している。(1)「関係ダイナミクス学習理論の構築」では、これまで開発してきたLFITに対する機能拡充を一通り施し(3)における実ドメインでの応用に供している。 (2)「スケーラブルな関係ダイナミクス学習方式の開発」においては、線形代数手法とニューラルネットワーク手法のいずれも経験を積んでおり、GPU等の高性能計算に基づくスケーラブルな新学習手法として、ダイナミック制約で表現される系を学習するための計算基盤を確立しつつある。(3)「ダイナミック環境におけるチャレンジ問題への適用」は、多くの重要な問題を解決してきており、ダイナミック環境に関係するレジリエントなシステムの設計と応用についても多くの知見を得てきている。
|
| Strategy for Future Research Activity |
今後は3つのサブテーマの相互作用をより活発にし、理論の実装、現実問題への応用、新たな課題の設定、というフィードバックを繰り返しながら関係ダイナミクスの学習理論を構築整備していく。これらの研究をより一般化すると、知識表現・推論技術と機械学習技術の融合という大きなテーマとなる。最近のAIは機械学習よりのものが多いが、シンボリックな知識表現をどのように得るか、また推論技術と学習技術をどのように組み合わせるかという点は今後の課題である。本研究を発展させることで、例えばノイズがある現実世界の環境から表現学習によって記号化された知識を得ることができ、その上での推論結果を意思決定・問題解決・質問応答に適用することができる。こうしたAIシステムはダイナミック系に置かれることから、レジリエントなAIとしての要件を満たす必要がある。本研究を推進することで、こうした次のAI研究テーマに対してアプローチすることも可能となる。
|
| Remarks |
受賞
1. Y.J. Phua, K. Inoue: Best Student Paper Award, 29th Int. Conf. Inductive Logic Programming
2. T. Okimoto, K. Hirayama: Best Paper Award, 20th Int. Symp. Advanced Intelligent Systems
|
