https://wbawakate.connpass.com/event/64967/
https://www.slideshare.net/kotarosakamoto585/ss-79407553
https://www.slideshare.net/YujiOgawa/ss-79406885
- Alchemy and Artificial Intelligence
- 人工知能研究を錬金術に例える
- "月に到達しようとして木に登る男"
- What Computers Can't Do: The Limits of Artificial Intelligence
- Mind Over Machine: The Power of Human
AI研究者の楽観論を支えた4つの前提
- 生物学前提
- 生物の脳が0/1による離散的処理を行っている
- 心理学前提
- 心理学理論はコンピュータプログラムで表せるようになる
- 認識論前提
- すべての知識はbooleanとして形式化できる
- 存在論前提
- 全ての情報は、状況に依存しない確定的要素の集合(事実)である
ドレイファスの4つの批判
- 4つの前提の自明性が明らかでないのに大きなことを言い過ぎている
- 生物学前提
- 生体の混合的性格(ノイマン): 脳の性格はアナログとデジタルが混合
- 神経生理学において厳密に議論するべき
- 心理学前提
- 神経生理学 != 心理学
- 情報理論と意味の理論を混同してはならない
- 認識論前提
- 規則的 != 規則を守っている
- 人間が規則的な行動をしていても、規則を守っているわけではない
- 能力と運用の説明を混同してはならない
- 存在論前提
- 人間知性は状況に基づいて非規則遵守的に判断をする
- 事実と状況を分離すべきではない
ドレイファスの想定していなかった新しいAIのパラダイム == NN的な手法
- PDPモデル
- コネクショニズム
新しい人工知能研究
- 事実と規則からなる形式の記述無しで知能をシミュレートすることができる
- NNの識別能力は人間のそれとは異なる
- 人間の持つ常識を必要とするような問題に対しては?
- 汎化能力を上げることで個別的判断能力を常識のような一般的領域まで引き上げることができる
- 人間知性の先行性
- 汎化されたことをどのように規定するのか
- 汎化するために人間の情報と構造を使った学習が必要であるというジレンマ
人間知性の複製
- 人間と同じように汎化
- 状況の大きな変化にも対応
- 人間知性の先行性なしに
現在の人工知能研究
- "人間知性をつくりだそう"とはしていない
https://www.slideshare.net/yukikawamura2/20170904-79405830
古典計算主義
- 形式的処理システムとしての心/知能
- 統語論的処理を行う機能としての心
- 思考の言語仮設
コネクショニズム
- ニューラルネットワーク
- 分散表象
- 記号論的ではない、全体論的な表象
コンピュータに"正しい判断"をさせるとき
- 古典計算主義
- 人間の思考の言語などを再現する必要がある
- コネクショニズム
- 規則を学習させる
- 上記どちらの場合も人間の介入が必要
人間はどのように"正しい判断"を行っているのか
- 規則的であること
- 共通のルールの下で人間が振る舞っているということ
しかし
- 我々は単一の規則の適用に対して根拠を持っていない
- 実は別の規則なのかもしれない
- だいたいうまくいっているので気づかない
- 人間の振る舞いのみがたまたま一致しているという以上の事実は存在しない
判断の正しさ、規則性 とは共同体における正当性、でしかない
コンピュータに"人間のような正しい判断をさせる"こと
- 人間が"正しい判断をしている"というわけではない
- ここまでできれば人間と同じ、という基準が存在しない
- 人間は規則的ではないが、何らかの一致を志向している
- 一致できていない問題もある ex) トロッコ問題
- 人間はどのように合理性を担保しているのか
https://www.slideshare.net/takumayagi/connectionistgeneralization-79406596
ニューラルネットを用いて人間の心の働きを理解しようとする認知科学におけるアプローチ
- PDP(並列分散処理)
- 多数の(暗黙の)制約を満たしながら認識や行動を遂行するための計算モデル
- 規則の定式化ではなく、ルールに従って動く結合の獲得 目標とする
PDPの前提条件
- 並列処理
- ミクロ構造
- 結合による記憶
- 分散表現
- 汎化性能の獲得
モデルとデータの関係
- 伝統的AI: 規則そのものが知識源
- コネクショニズム: 両方考えなければならない
実世界データの性質
- 低次元相関
- 相互作用の局所性
- 対称性
- マルコフ性
データとモデル
- データの仮定なきNNは実用的なモデルとしては不適当
- データは学習器を凌駕する -> 性能を決めるのはモデルだけではない
汎化における人間知性の先行性の問題
- 適切なデータと制約があれば汎化できる、はず
汎化
- 心理学において: 過去の状況に類似しているものを利用すること
- パターン認識、機械学習において: 未学習のテストデータに対しても正答すること
汎化を起こすには
- データ量
- 正則化(制約)
- ブースティング
汎化の指標
- 心理学的指標
- 汎化勾配
- 数理的指標
- 主にモデルの複雑度で表される
- VC次元
- ラデマッハ複雑度
結局
- 数理的な汎化の定義は正しいのか?
- データを見ない限り正しい汎化が行われているのか分からない
- 既存の汎化の定義にそもそも弱点がある
- それを再考することで今後の人工知能の発展があるかも