課題適応型の特徴量空間を生成するCNNのコスト関数設計

課題適応型の特徴量空間を生成するCNNのコスト関数設計

Abstract

頭が良い知能とはなんでしょうか。実はこれは、正解の無い質問です。ある人にとっては問題を素早く解ける状態を「頭が良い」と定義するかもしれませんし、別の人は難しい問題を解ける状態を「頭が良い」と定義するかもしれません。その人の考え方や状況によって、答えは違うということです。そして、前者の定義を採用している人は、何度も似たような問題を反復的に解く訓練をします。後者の定義を採用している人は見たことがない問題を解くような訓練をすると思います。ここでわかるように「頭の良さ」の定義が異なると、学習はまったく別物になります。そして、学習が異なると形成される知識はまったく別物になります。実はこれは、人工知能でもまったく同じだったりします。

人間には非常に多くの「頭の良さ」の定義がありますが、人工知能の「頭の良さ」の定義は、残念ながらあまり種類が多くないのです。この点を鑑み本研究では、今までよりも社会的に役立つ良い知能を実現するために「頭の良さ」の定義づけを再考しています。具体的には、各々のクラスを生起する確率密度関数を定義し、その共有面積をコスト関数とした、深層学習の最適化アルゴリズムを提案しています。

Publication

  • Yuto Omae, Masaya Mori, Takuma Akiduki, Hirotaka Takahashi, A Novel Deep Learning Optimization Algorithm for Human Motions Anomaly Detection, International Journal of Innovative Computing, Information and Control, vol.15, no.1, pp.199-208, 2019.02.
  • Best Paper Award (ICICIC2018)

Note

この記事および画像は有償サービスにより作成されたものであり、本ページのみでの利用を想定しています。無断利用を発見した場合はご一報ください。

文責: 大前佑斗

日本大学生産工学部マネジメント工学科 専任講師、人工知能リサーチセンター 研究員。ゼミ配属では、プログラミングや人工知能を、時間をかけ丁寧に学習したい方を募集しています。文系・理系、どちらでもokです。

コメントは受け付けていません。