AI分野論文まとめ【2020年01月31日arXiv公開】

この論文の概要（機械翻訳による和訳）
データストリームをマイニングするための分類アルゴリズムは、近年広く研究されています。ただし、これらのアルゴリズムの多くは、ラベル付きインスタンスを必要とする教師あり学習用に設計されています。それにもかかわらず、データのラベル付けには費用がかかり、時間がかかります。このため、モデルのパフォーマンスを大幅に損なうことなくラベリングプロセスのコストを削減するために、代替の学習パラダイムが提案されています。能動学習はこれらのパラダイムの1つであり、その主な目的は、適切なレベルの精度を達成するラベル付きの例の可能な限り少ない数を要求する分類モデルを構築することです。したがって、この作業では、アクティブラーニングを使用して、ラベルなしインスタンスで分類モデルを誘導するFASE-ALアルゴリズムを紹介します。 FASE-ALは、アンサンブルの高速適応スタッキング（FASE）アルゴリズムに基づいています。 FASEは、入力データストリームに概念ドリフトがある場合にモデルを検出および適応するアンサンブルアルゴリズムです。 FASE-ALは、文献にある4つの異なる能動学習戦略と比較されました。実験では、実際のデータベースと合成データベースを使用しました。このアルゴリズムは、正しく分類されたインスタンスの割合に関して有望な結果を達成します。

この論文の概要（機械翻訳による和訳）
計画のために高レベルの知識ベースを指定する問題は、現実的な環境では困難なタスクになります。通常、この知識は手作りであり、システムの専門家であっても最新の状態を維持するのは困難です。最近のアプローチでは、すべての中間状態が欠落している場合でも、アクションモデルの合成における古典的な計画の成功が示されています。これらのアプローチは、少なくとも初期状態と最終状態で構成される一連の実行トレースから、Planning Domain Definition Language（PDDL）のアクションスキーマを合成できます。この論文では、アクションシグネチャが不明な場合に、従来のプランナーを使用してSTRIPSアクションモデルを教師なしで合成する新しいアルゴリズムを提案します。さらに、アクションモデルの前提条件で静的な述語を学習する問題を軽減し、パラレルエンコーディングを使用してSATプランナーの機能を活用してアクションスキーマを計算し、すべてのインスタンスを検証する古典的な計画のコンパイルに貢献します。私たちのシステムは、検索を高速化できる部分的な入力情報の包含をサポートするという点で柔軟性があります。いくつかの実験を通じて、学習したアクションモデルが目に見えないプランニングインスタンスでどのように一般化するかを示します。

この論文の概要（機械翻訳による和訳）
この論文では、航空機のセットに対して多数の軌道を生成し、最適な互換性のある軌道を効率的に選択することからなる、航空交通衝突の解決方法の拡張を提示します。さまざまな競合解決アルゴリズム、特にオリジナルの「スマートブルートフォース」方式とよく知られているToulBar2 CSPツールセットをカプセル化したマルチ操作バージョンを提案します。いくつかのベンチマークでの実験は、最初の1つが少数の航空機（実際の運用で発生することを表す）を含むケースで非常に効率的であり、操縦と軌道の大きなプールを検索できることを示しています。ただし、この方法は、航空機の数が7台以上に増加すると、その複雑さによって追い抜かれます。逆に、許容可能な時間内で、ToulBar2ツールセットは、より多くの航空機を含む競合を処理できますが、それぞれの可能な軌道は少なくなります。

この論文の概要（機械翻訳による和訳）
顕著性マップは、特定の予測を生成するためにモデルが使用した入力領域の直感的な解釈を提供するために、コンピュータービジョンでよく使用されます。顕著性マップの生成には多くのアプローチが利用できますが、ほとんどはモデルパラメーターへのアクセスを必要とします。この作業では、ベイジアン最適化サンプリング法を使用して、モデルパラメーターへのアクセスが利用できないブラックボックスモデルの顕著性マップ生成のアプローチを提案します。このアプローチは、特定の（ブラックボックス）モデルの予測に関与するグローバルな顕著な画像領域を見つけることを目的としています。これは、画像の顕著な領域をブラックボックスモデルにローカライズしようとする摂動をモデル化するサンプリングベースのアプローチによって実現されます。結果は、顕著性マップ生成への提案されたアプローチがグリッドベースの摂動アプローチよりも優れており、モデルパラメータへのアクセスを必要とする勾配ベースのアプローチと同様に実行することを示しています。

この論文の概要（機械翻訳による和訳）
グラフを使用して、実世界のシステムを表し、推論することができます。全体的な特性を定量化するために、さまざまなメトリックが考案されています。一般に、以前の研究では、目的関数の価値を改善するために、動的に変更する（たとえば、エッジを追加する）問題ではなく、既存のグラフのプロパティを測定することに焦点を当てていました。この論文では、GraphNeural NetworkアーキテクチャとDeep Reinforcement Learningに基づいてグラフの堅牢性を向上させるソリューションであるRNet-DQNを紹介します。インフラストラクチャおよび通信ネットワークに関連するグラフの堅牢性を改善するためのこのアプローチの適用を調査します。 2つの目的関数を使用して堅牢性をキャプチャし、それらの値の変化を報酬信号として使用します。私たちの実験は、私たちのアプローチが、ランダムよりもはるかに優れたパフォーマンスを発揮し、場合によっては貪欲なベースラインのパフォーマンスを上回る堅牢性を改善するためのエッジ追加ポリシーを学習できることを示しています。重要なことは、学んだ政策は、それらが訓練されたものよりも大きいものを含む異なるグラフに一般化することです。素朴な貪欲なソリューションは、大きなグラフの計算に非常に高価になる可能性があるため、これは重要です。私たちのアプローチは、それに関して$ O（| V | ^ 3）$の高速化を提供します。

この論文の概要（機械翻訳による和訳）
競争力のあるEスポーツとビデオゲームの世界では、人気と複雑さが着実に成長しています。これに対応して、ソーシャルネットワーク分析から、人間と対戦する高度な人工知能システムのベンチマークに至るまで、このトピックに関する研究がさらに公開されています。このホワイトペーパーでは、ゲーム内での選択と、より広いコンテキストでのプレイセッションタイミングに関する決定の両方で、成功と楽しさを最大化するためにプレイヤーにアクションを提案するインテリジェントエージェント推奨エンジンに関する進行中の作業を紹介します。テンポラルデータと適切なモデルを活用することにより、プレイヤーの心理的モメンタムと傾きの学習表現をプレイヤーの専門知識と組み合わせて使用​​して、ドラフト前後の勝利予測で最先端のパフォーマンスを達成できることを示します。最適な推奨事項を導き出す可能性を満たすための私たちの進歩が文書化されています。

この論文の概要（機械翻訳による和訳）
自動化されたアルゴリズム選択とハイパーパラメーター調整により、機械学習の適用が容易になります。従来の多腕バンディット戦略は、観測された報酬の履歴を調べて、長期的に予想される総報酬を最適化するための最も有望な武器を特定します。限られたタイムバジェットと計算リソースを検討する場合、特定の時間予算の終わりに最高の最終報酬を予想するために盗賊が将来を見据えるべきであるため、報酬のこの後方視界は不適切です。この研究では、HAMLETを導入することにより、その洞察に対処します。HAMLETは、機械学習アルゴリズムのセットの中から選択するための学習曲線の外挿と計算時間の認識により、バンディットアプローチを拡張します。結果は、HAMLETバリアント1〜3が、考慮されたタイムバジェットの大半について記録されたハイパーパラメータチューニングトレースを使用した実験で、他のバンディットベースのアルゴリズム選択戦略と同等以上のパフォーマンスを示すことを示しています。最高のパフォーマンスを発揮するHAMLET Variant 3は、学習曲線の外挿と、既知の上位の信頼限界探索ボーナスを組み合わせています。このバリアントは、1,485回の実行で95％レベルの統計的有意性を持つすべての非HAMLETポリシーよりも優れたパフォーマンスを発揮します。

この論文の概要（機械翻訳による和訳）
この記事では、暫定的にダイアグラムモードと呼ばれるものの説明をスケッチすることにより、ダイアグラム表示へのマルチモーダルパースペクティブを提案します。現代のマルチモダリティ理論に照らして図式表現を検討し、図式表現が自然言語、さまざまな形式のグラフィックス、矢印、線などの表現要素を一貫した組織に統合することを可能にするものを説明します。 2つの最近の図コーパスを使用して提案されたアプローチを説明し、特に図の構成要素を特定し、それらの相互関係を説明する際に、マルチモーダルアプローチが図表現の実証分析をサポートする方法を示します。

この論文の概要（機械翻訳による和訳）
マルチプレイヤーゲームでのナッシュ均衡の近似において、2つの一般的な反復アルゴリズム、架空のプレイと反事実的な後悔の最小化のパフォーマンスを比較します。マルチプレイヤーポーカーの反事実的後悔の最近の成功とその優位性の推測にもかかわらず、架空のプレイがさまざまなゲームサイズにわたって統計的有意性を備えたナッシュ平衡近似の改善につながることを示しています。

この論文の概要（機械翻訳による和訳）
複雑なタスクでベイジアン推論を実行するために、訓練されたディープニューラルネットワークの内部化された理解にアクセスします。独立して訓練されたネットワークは、ベイジアン推論問題に関して定式化された元の範囲外の質問に共同で回答するように配置されています。これは、結果に不確実性を与える変分推論でほぼ解決します。独立して訓練されたネットワークを組み合わせて条件付きジェネレーターからサンプリングし、複数の制約を同時に含む謎を解き、人間の顔の高解像度画像のコンテキストで従来のノイズの多い測定と深い学習知識を組み合わせて、次のタスクにこの方法でアプローチする方法を示します。

この論文の概要（機械翻訳による和訳）
人工知能（AI）と分散型台帳技術（DLT）の開発は、現在、学界と実践の活発な議論をリードしています。 AIはデータを処理して、以前は人間だけが実行できると考えられていたタスクを実行します。 DLTは不確実な環境で行動し、参加者のグループ間でコンセンサスオーバーデータを作成します。最近の記事では、両方のテクノロジーが相互に補完しています。例には、安全な分散元帳の設計や、複数のノードに分散された関連学習システムの作成が含まれます。これにより、技術の収束が可能になり、過去において、主要なIT製品の革新への道が開かれました。前の研究では、AIとDLTの収束のいくつかの潜在的な利点が強調されていますが、両方の技術の今後の現実の統合事例を説明するための限られた理論的フレームワークのみを提供しています。私たちは、以前の研究について体系的な文献レビューを行い、厳密に導き出された将来の研究機会を提供することにより貢献することを目指しています。分析では、AIとDLTがデータを交換する方法、およびこれらの統合原則を使用して新しいシステムを構築する方法を特定します。それに基づいて、将来の研究のために未解決の質問を提示します。この作業は、AIまたはDLTをアクティブにした研究者が現在の分野の限界を克服するのを助け、エンジニアはこれらの技術の収束とともにシステムを開発するのに役立ちます。

この論文の概要（機械翻訳による和訳）
多くのコンピュータービジョンの出版物は、実行されるアクションの強度ではなく、人間のアクションの認識と分類を区別することに焦点を当てています。人間の行動のパフォーマンスを決定する強度のインデックス付けは、ビデオ入力に存在する不確実性と情報不足のため、困難な作業です。この不確実性を改善するために、このペーパーでは、ファジーロジックルールをニューラルベースのアクション認識モデルと組み合わせて、アクションの強度を強烈または軽度としてインデックス付けしました。このアプローチでは、ファジィロジックルールを定義して、時空間LSTMによって生成された重みを使用して、実行されたアクションの強度インデックスを検出し、実験を通じてアクション強度のインデックス付けが可能であることを示します。統合されたモデルをさまざまなアクション強度を持つ人間のアクションのビデオに適用することで分析し、89.16％の精度の強度インデックス作成用データセットを達成することができました。統合モデルは、人間の行動の強度指数を効果的に推定するファジー推論モジュールの能力を実証しています。

この論文の概要（機械翻訳による和訳）
Abstract MeaningRepresentation（AMR）グラフを比較するために、さまざまなメトリックが提案されています。正規のSmatchメトリック（Cai and Knight、2013）は、あるグラフから別のグラフに変数を並べて、一致するトリプルを比較します。最近リリースされたSemBleuメトリック（Song and Gildea、2019）は、機械翻訳メトリックBleu（Papineni et al。、 2002）、可変アライメントのステップを除去し、よりグローバルなグラフプロパティの取得を目指して計算効率を向上させます。私たちの目的は3つあります。 ii）SmatchとSemBleuの徹底的な分析を行い、後者がいくつかの望ましくない特性を示すことを示します。例えば、それは識別不能ルールのアイデンティティに違反し、制御が難しいバイアスを導入します; iii）非常にわずかな意味の逸脱のみにより慈善的であり、すべての確立された基準の達成を目標とする新しいメトリックS2matchを提案します。その適合性を評価し、SmatchおよびSemBleuに対する利点を示します。

この論文の概要（機械翻訳による和訳）
Lindenmayerシステム（Lシステム）は、文字列書き換えルールで構成される文法システムです。ルールは、文字列内のすべてのシンボルを後続の文字列と並行して置き換えて、次の文字列を生成し、この手順を繰り返します。確率論的なコンテキストフリーLシステム（S0Lシステム）では、すべてのシンボルに1つ以上の書き換えルールがあり、それぞれに選択の確率が関連付けられています。適切に構成された書き換えルールは、各派生文字列がシミュレーションのステップを説明する一部の自然および人間工学プロセスのモデリングおよびシミュレーションに役立つことがわかっています。通常、プロセスは、プロセスの測定値またはドメインの知識に基づいて細心の注意を払ってルールを構築する専門家によってモデル化されます。このペーパーでは、一連の文字列シーケンスを入力として、所見とLシステムの自動化されたアプローチを示します。実装されたツールは、S0Lシステム用のプラントモデル推論ツール（PMIT-S0L）と呼ばれます。PMIT-S0Lは、テストスイートで960個の手続き的に生成されたS0Lシステムを使用して評価され、それぞれが入力文字列の生成に使用され、PMIT-S0Lはシーケンスのみからシステムを推測するために使用されます。評価により、PMIT-S0Linfersは12時間以内にそれぞれ最大9個の書き換えルールを持つS0Lシステムを示します。さらに、テストスイートの100％のケースで正しい元の書き換えルールを見つけるには3つの文字列シーケンスで十分であることがわかります。 、および6文字列のシーケンスにより、関連する確率の差が約1％以下に減少します。

この論文の概要（機械翻訳による和訳）
制約を組み込むことは、確率的機械学習の主要な関心事です。さまざまな問題を解決するには、マップ上のルートのモデリングからローン予測の承認まで、制約を推論と予測を統合する必要があります。前者では、マップ上のノード間の物理パスの存在を尊重するように予測モデルを要求する場合があり、後者では、結果がバイアスの影響を受けないことを保証する公平性制約を予測モデルが要求する場合があります。大まかに言って、制約は確率的、論理的、または因果関係がありますが、最も重要な課題は、宣言されたすべての制約を処理するモデルを学習できるかどうかとその方法を決定することです。私たちの知る限り、これは主に未解決の問題です。この論文では、制約を取り入れながら和積ネットワークなどの扱いやすい確率モデルの学習がどのように可能であるかについての数学的調査を検討します。

この論文の概要（機械翻訳による和訳）
外部メモリを備えたニューラルネットワークアーキテクチャを開発している最近の研究では、多くの場合、ベンチマークbAbI質問および回答データセットが使用されています。ここでは、既存のメモリ拡張アーキテクチャの推論能力をより注意深く調べるために、メモリベースの推論神経科学文献からの非定型連想推論タスクを採用しました。このタスクは、推論の本質、つまり複数の事実または記憶に分散した要素間の遠い関係の評価を捉えると考えられています。驚いたことに、現在のアーキテクチャは長距離の関連付けを推論するのに苦労していることがわかりました。パス内のノード間の最短パスを見つけることを含むより複雑なタスクで同様の結果が得られました。そのため、より長い距離を推論する能力を備えたMEMOを開発しました。これは、2つの新しいコンポーネントを追加することで達成されました。まず、外部メモリに格納されているメモリ（ファクト）と、外部メモリのこれらのファクトを構成するアイテムとの分離を導入します。第二に、回答が生成される前に可変数の「メモリホップ」を許可する適応検索メカニズムを利用します。 MEMOは、bAbIの最新の結果と一致するだけでなく、新しい推論タスクを解決することができます。

この論文の概要（機械翻訳による和訳）
近年、機械学習モデル一般、特に再生モデルにおける因果関係特性の研究に関心が高まっています。それは十分に動機付けられていますが、確率的推論の基本的な計算の難しさを継承し、正確な推論を扱いにくくしています。確率論的扱いやすいモデルも最近出現し、モデルは通常、データから学習されるモデルのサイズの時間線形で条件付き限界値を計算できることを保証しています。 （SPN）および確率的決定論的ダイアグラム（PSDD）は、効率的な関数表現を活用し、高木幅モデルもキャプチャします。このホワイトペーパーでは、次の技術的な質問をします。これらのモデルによって表される、または学習される分布を使用して、介入や反事実に関する推論などの因果クエリを実行できますか。そのようなモデルをベイジアンネットワークに変換することに関する既存のアイデアにアピールすることで、私たちはほとんど否定的に答えます。 SPNを因果グラフに変換すると、介入推論が周辺分布の計算に減ることを示します。言い換えれば、些細な因果推論のみが可能です。 PSDDの場合、状況はわずかに良くなります。まず、PSDDから因果グラフを構築するためのアルゴリズムを提供します。これにより、拡張変数が導入されます。元の変数に介入すると、再び限界分布になりますが、増強された変数に介入すると、PSDに決定論的であるにもかかわらずそれでも因果セマンティクスを提供できます。

この論文の概要（機械翻訳による和訳）
強化学習のポリシー外評価の問題を検討します。目標は、ロギングポリシー$ mu $を実行して収集されたオフラインデータを使用して、ターゲットポリシー$ pi $の予想報酬を推定することです。この問題に対する標準的な重要度サンプリングベースのアプローチは、時間範囲$ H $で指数関数的にスケーリングする分散の影響を受けます。 。特に、有限な状態と潜在的に無限のアクション。ただし、MSEの境界は、Cramer-Raoの下限$ Omega（H ^ 2 / n）$からまだ$ H $の係数です。この論文では、MIS推定量を単純に修正することで、アクション空間が有限であれば、Cramer-Raolower境界に漸近的に到達できることを証明します。また、高確率のエラー境界を持つMIS推定器を構築するための一般的な方法も提供します。

この論文の概要（機械翻訳による和訳）
プロセスモデルとプロセスの非現実性の実行との間の可能な不一致を特定するために、適合性チェック技術が広く採用されています。しかし、最先端のアプローチでは、逸脱の鮮明な評価が採用されており、その結果、小さな違反は重要な違反と同じレベルで考慮されます。これは、提供される診断の品質に影響を及ぼします。特に、かなり小さな違反に関してある程度の耐性がある場合は、プロセスの柔軟性が損なわれます。この作業では、違反に対するアクターの許容度を表し、実行コンプライアンスを評価するときに偏差の重大度を考慮することができる新しいアプローチを提案します。提供される診断の品質を改善するだけでなく、偏差評価の許容範囲を許可することで、適合性チェック技術の柔軟性が向上し、間接的に、プロセス管理システム全体の回復力を向上させる方法が生まれると主張します。

この論文の概要（機械翻訳による和訳）
リカレントニューラルネットワーク（RNN）は、時系列予測の強力なアプローチです。ただし、それらのパフォーマンスは、アーキテクチャとハイパーパラメータの設定に大きく影響されます。 RNNsisのアーキテクチャ最適化は時間のかかるタスクであり、検索スペースは通常、実数値、整数値、およびカテゴリ値の混合です。ネットワークのサイズを縮小および拡大できるようにするために、アーキテクチャの表現はしばしば可変長を持ちます。この論文では、ベイジアン最適化（BO）アルゴリズムのバリアントを使用して、アーキテクチャ最適化の問題に取り組むことを提案します。候補アーキテクチャの評価時間を短縮するために、ネットワークパフォーマンスを推定するトレーニング不要の方法である平均絶対誤差ランダムサンプリング（MRS）がBOの目的関数として採用されています。また、可変長アーキテクチャ表現に対処するための3つの固定長エンコーディングスキームを提案します。その結果、RNNの正確かつ効率的な設計に関する新しい視点が得られ、3つの問題について検証しています。私たちの調査結果は、1）BOアルゴリズムは、提案されたエンコーディングスキームを使用してさまざまなネットワークアーキテクチャを探索し、適切に機能するアーキテクチャを設計することができ、2）MRSを使用することで、実際のトレーニング手順から得られたアーキテクチャと比較してパフォーマンスを損なうことなく、最適化時間が大幅に短縮されることを示しています。

この論文の概要（機械翻訳による和訳）
ナレッジグラフとテンソルの数学モデルを使用して知覚と記憶を分析し、人間の心の対応する機能の洞察を獲得します。私たちの議論は、基本的な事実を表現するための textit {subject-predicate-object}（SPO）トリプルからなる命題文の概念に基づいています。 SPOセンテンスはほとんどの自然言語の基礎ですが、脳内コミュニケーションや議論と推論の能力だけでなく、明確な知覚と宣言的記憶にも重要な場合があります。 SPO文のセットは知識グラフとして記述でき、隣接テンソルに変換できます。テンソルモデルを導入します。ここで、概念はインデックスおよび関連する埋め込みとして二重表現を持ち、脳内の暗黙的および明示的な知覚と記憶の理解に不可欠であると考えられる2つの構成要素です。私たちは、知覚と記憶の生物学的実現が情報処理に制約を課していると主張します。特に、明示的な知覚と宣言的記憶には、単純な実現では、4つの層に基づくセマンティックデコーダーが必要であることを提案します。情報をブロードキャストするためのメモリレスの表現層、第4に、処理センターおよびデータバッファとしてのワーキングメモリ層。ベイジアン脳の解釈では、意味的記憶はトリプルステートメントの事前定義を定義します。私たちは、進化と開発中に、意味記憶、エピソード記憶、自然言語が、感覚情報のより深い理解を得るために、エージェントのプロセスの創発的特性として進化したことを提案します。具体的なモデルの実現を提示し、最新のパフォーマンスを実証するベンチマークデータで提案モデルのいくつかの側面を検証します。

この論文の概要（機械翻訳による和訳）
データマイニングとアプリケーションに関するシンポジウム（SDMA 2014）は、統計、計算インテリジェンス、パターン認識、データベース、ビッグデータマイニング、視覚化などの幅広いデータマイニング関連分野から研究者とアプリケーション開発者を集めることを目的としています。 SDMAはMEGDAMによって組織され、データマイニングの研究分野とそのさまざまな現実世界のアプリケーションの最先端を進めています。このシンポジウムは、サウジアラビア、GCC諸国、中東地域のデータマイニングおよび機械学習の研究者間の技術協力の機会を提供します。受理は、主に独創性、重要性、貢献の質に基づいています。