AI分野論文まとめ【2020年02月06日arXiv公開】

この論文の概要（機械翻訳による和訳）
強化学習（RL）のコア操作は、学習された状態アクション値関数に関して最適なアクションを見つけることです。学習値関数が入力として連続的なアクションをとる場合、この操作はしばしば困難です。深層RBF値関数を導入します：動径基底関数（RBF）出力層を持つ深層ニューラルネットワークを使用して学習した状態アクション値関数。深いRBF値関数に関する最適なアクションは、希望する精度まで簡単に近似できることを示します。さらに、deepRBF値関数は、ユニバーサル関数近似をサポートしているため、必要な精度までの真の値関数を表すことができます。ディープRBF値関数を学習することにより、標準DQNアルゴリズムを継続制御に拡張し、結果のエージェントRBF-DQNが一連の連続アクションRL問題の標準ベースラインよりも優れていることを実証します。

この論文の概要（機械翻訳による和訳）
インタビューチャットボットは、テキストベースの会話でユーザーの関心を引き、意見や意見を引き出します。ただし、自由回答形式の質問に対するユーザーのフリーテキスト応答を処理し、魅力的なユーザーエクスペリエンスを提供できる効果的なインタビューチャットボットを構築することは困難です。最初のステップとして、公開されている実用的なAIテクノロジーを使用して効果的なインタビューチャットボットを構築することの実現可能性と有効性を調査しています。実現可能性を実証するために、アクティブリスニングスキルのサブセット（ユーザーの入力を把握して適切に応答する能力）を備えたインタビューチャットボットを有効にするプロトタイプを構築しました。プロトタイプの有効性を評価するために、206人のユーザーによるライブ評価で、4つの一般的なインタビュートピックについて、アクティブリスニングスキルの有無にかかわらず、インタビューチャットボットのパフォーマンスを比較しました。私たちの仕事は、効果的なインタビューチャットボット、ハイブリッドチャットボットプラットフォーム、およびインタビュータスクを超えた共感的なチャットボットを構築するための実用的な設計の意味を提示します。

この論文の概要（機械翻訳による和訳）
承認に基づく多勝者の投票規則は、最近、計算社会的選択に関する文献で大きな注目を集めています。このようなルールは承認投票を集計し、代替案の勝ち組を決定します。有効性を評価するために、承認投票と委員会に特化した新しいノイズモデルを採用することを提案します。これらのモデルは、入力としてグラウンドトゥルース委員会を受け取り、ランダムな承認票を返して、グラウンドトゥルースのノイズ推定値と見なします。承認ベースのマルチウィナー投票ルールの最小ロバスト性要件は、十分な数のノイズの多い投票があるプロファイルに適用された場合、グラウンドトゥルースを返すことです。私たちの結果は、承認ベースのマルチウィナー投票が常に妥当なノイズに対して堅牢であることを示しています。さらに、ノイズに対する耐性の観点からルールの階層を提示することにより、この発見をさらに洗練させます。

この論文の概要（機械翻訳による和訳）
機能マップには、画像の強度と空間相関に関する豊富な情報が含まれています。ただし、以前のオンライン知識の蒸留方法は、クラスの確率のみを利用していました。したがって、本論文では、対人訓練フレームワークを使用して、クラス確率の知識だけでなく、特徴マップの知識も転送するオンライン知識蒸留法を提案します。識別器を使用して異なるネットワークの機能マップ分布を区別することにより、複数のネットワークを同時にトレーニングします。各ネットワークには、対応する識別器があり、機能マップをそれ自体から偽物として識別し、他方のネットワークのそれを実物として分類します。ネットワークを訓練して、対応する識別器をだますことにより、他のネットワークの機能マップ分布を学習できます。我々の方法は、L1などの従来の直接配列法よりも優れた性能を発揮し、オンライン蒸留に適していることを示しています。また、3つ以上のネットワークを一緒にトレーニングするための新しい循環学習方式を提案します。分類タスクのさまざまなネットワークアーキテクチャにメソッドを適用し、特に小規模ネットワークと大規模ネットワークのペアをトレーニングする場合に、パフォーマンスの大幅な改善を発見しました。

この論文の概要（機械翻訳による和訳）
与えられたオブジェクトのペア間のすべてのパスが等しいことが要求されるカテゴリ内のオブジェクトの有向非循環階層の形式で知識を表現するための数学的理論が提示されます。必要なすべてのパスの平等を維持するために、階層内のオブジェクトのsesqui-pushout書き換えの形式での知識更新が残りの階層に伝播できる条件が分析されます：いくつかの書き換えは、矢印の方向、その他は矢印の方向に対して逆方向に伝播する必要があり、階層の正確な形式によっては、特定の構成可能条件も必要になる場合があります。次に、ノードとエッジに属性を持つ（単純な）有向グラフのReGraph Pythonライブラリでのこの理論の実装について、2つの重要なユースケースのコンテキストで説明します。

この論文の概要（機械翻訳による和訳）
Princeton WordNet（PWN）は、自然言語処理の開発を促進する認知言語学に基づく語彙意味論的ネットワークです。PWNに基づいて、5つの中国語ワードネットが開発され、構文とセマンティクスの問題が解決されました。東北大学中国語WordNet（NEW）、Sinica Bilingual Ontological WordNet（BOW）、南東大学ChineseWordNet（SEW）、台湾大学Chinese WordNet（CWN）、Chinese Open WordNet（COW）が含まれます。これらを使用することにより、これらの単語ネットワークの精度とカバレッジが低く、PWNのセマンティックネットワークを完全に描写できないことがわかりました。そこで、これらの欠点を補うために、Multi-Fusion Chinese Wordnet（MCW）と呼ばれる新しい中国語のワードネットを作成することにしました。重要なアイデアは、オックスフォードの対訳辞書と新華の対訳辞書の助けを借りてSEWを拡張し、それを修正することです。具体的には、修正に機械学習と手動調整を使用しました。作業を支援するために2つの標準が策定されました。補題の精度を比較するために、関連性の計算、単語の類似性、単語の意味の曖昧性解消を含む3つのタスクで実験を実施し、同時にカバレッジも比較しました。結果は、MCWが当社の方法によるカバレッジと精度の恩恵を受けることができることを示しています。しかし、特に補題に関しては、まだ改善の余地があります。将来的には、MCWの精度を高め、MCWの概念を拡張し続けます。

この論文の概要（機械翻訳による和訳）
ニューラルネットワークは、レイヤーを横断するときにコンセプトについて何をエンコードしますか？機械学習の解釈可能性は間違いなく重要ですが、ニューラルネットワークの計算を理解するのは非常に困難です。隠されたレイヤーの内側を見る試みは、誤解を招く、使用できない、または潜在的なスペースに依存して、所有していない可能性のあるプロパティを所有する可能性があります。この作業では、ニューラルネットワークを事後的に分析するのではなく、コンセプトホワイトニング（CW）と呼ばれるメカニズムを導入して、ネットワークの特定のレイヤーを変更し、そのレイヤーに至るまでの計算をよりよく理解できるようにします。コンセプトホワイトニングモジュールがCNNに追加されると、潜在空間の軸を目的のコンセプトに合わせることができます。実験により、CWを使用すると、予測パフォーマンスを損なうことなく、ネットワークがレイヤー上で概念を徐々に学習する方法をより明確に理解できることがわかります。

この論文の概要（機械翻訳による和訳）
データのプライバシーとセキュリティの強化により、AIの従来のデータ集中化は大きな課題に直面しています。さらに、さまざまな業界や機関に存在する孤立したデータは著しく活用されていないため、AIアプリケーションの進歩を遅らせています。これらの問題の解決策として、知識フェデレーションを提案します。フェデレーション学習と安全なマルチパーティ計算の概念を超えて、4レベルのフェデレーションを持つ階層である包括的な知識フェデレーションフレームワークを導入します。フェデレーションの発生時間に関して、知識フェデレーションは、情報レベル、モデルレベル、認知レベル、および知識レベルに分類できます。この概念の学術的および商業的な普及を促進するため、知識フェデレーションフレームワークの曖昧さのない定義を提供します。さらに、知識フェデレーションと他の関連研究分野との関係と区別を明確にし、知識フェデレーションは安全なマルチパーティのための統一されたフレームワークであると結論付けます計算と学習。

この論文の概要（機械翻訳による和訳）
マルチエージェントタスクの割り当ての問題は、人間のチームが関与するさまざまなシナリオで発生します。多くのそのような設定では、人間のチームメイトは利己的な動機で行動し、コストメトリックを最小化しようとします。 （1）他のエージェントの報酬についての完全な知識および（2）特定の割り当て結果に関連するチームの全体的なコストがない場合、分散アルゴリズムは妥当な時間内に次善のソリューションにしか到達できません。これらの課題に対処するために、AIタスクアロケーター（AITA）の概念を紹介します。AIタスクアロケーターは、完全な知識があり、個々の人件費とチームのパフォーマンスコストのバランスをとる公平な配分を考え出します。 AITAが人間に説明可能であることを保証するために、私たちは、各ヒューマンエージェントがAITAの提案された配分に反事実的配分を疑問視できるようにします。最終的には次善の割り当てになります。この説明は、チームメイトとチームの実際のコストに関する人間の不完全な知識も更新します。次に、人間が（1）提供された説明を理解でき、（2）人間の要因研究を使用してそれによって納得できるかどうかを調査します。最後に、説明の長さに対するさまざまな種類の不完全性の影響を示します。他者のコストを過小評価すると説明が必要になり、結果として平均してより長い説明が必要になることが多いと結論付けています。

この論文の概要（機械翻訳による和訳）
今日、AIは、公平性が重要な関心事である多くの重要な意思決定アプリケーションでますます使用されています。すでに、AIに偏りがあり、疑わしく不公平な決定を下している多くの例があります。 AIの研究コミュニティは、不要なバイアスを測定および軽減するための多くの方法を提案していますが、それらのほとんどは人間の政策立案者からのインプットに関与していません。さまざまな公平性基準を同時に満たすことはできない場合があり、公平性を達成するにはモデルの精度などの他の目的を犠牲にすることが必要になることが多いため、これらの目的の間でトレードオフを行う方法に関する人間の政策立案者の好みを獲得し、順守することが重要であることに注意してください。この論文では、そのような選好を引き出し、これらの選好に従ってAIモデルを最適化するためのフレームワークといくつかの模範的な方法を提案します。

この論文の概要（機械翻訳による和訳）
従来の教師あり学習では、トレーニングデータセットには既知のラベルセットのグラウンドトゥルースラベルが付けられ、学習したモデルは見えないインスタンスを既知のラベルに分類します。この論文では、トレーニングデータセットに他のラベルと誤解されている未知のクラスがあり、したがって、それらの存在が与えられた監督から未知である新しい問題設定を研究します。未知の未知数は、不十分な特徴情報のためにトレーニングデータセットが不完全に認識されたラベルスペースによってひどく助言されているという事実に起因します。この目的のために、探索的機械学習を提案します。これは、未知の可能性のあるラベルを発見するために、特徴空間を積極的に増強することにより、トレーニングデータセットを検査および調査します。有効性は、合成データセットと実際のデータセットの両方で検証されています。

この論文の概要（機械翻訳による和訳）
大規模オープンオンラインコース（MOOC）は、オンライン学習の人気のあるプラットフォームになっています。 MOOCを使用すると、学生は自分のペースで学習できますが、この柔軟性により、学生は簡単に授業をやめることができます。この論文では、私たちの目標は、学習者が次の週にドロップアウトするかどうかを予測することであり、現在の週のクリックストリームデータが与えられます。この目的のために、低レベルクリックストリームから教師なしで学習し、解釈可能な結果を​​生成し、手動のフィーチャエンジニアリングを回避する、分岐限定（BB）アルゴリズムに基づく多層表現学習ソリューションを提供します。 Courseraデータの実験では、単純なモデルがより複雑なタスク固有のモデルと同様に機能する表現を学習できること、およびBBアルゴリズムがどのように解釈可能な結果を​​可能にするかをモデルが学習することを示しています。今後の方向性。

この論文の概要（機械翻訳による和訳）
倫理規範の道徳的権威は、統一された社会に奉仕するという前提から生じていますが、これは共有リソースの政治的側面を無視しています。社会学者のハワード・S・ベッカーは、研究者に古典的なエッセイ「Whose Side Are We On」の彼らの力と責任を明らかにするように求めました。良い」、データ技術の。分析により、企業や専門職協会の倫理規定は消費者を社会と混同し、代理店についてはほとんど沈黙していたことが明らかになりました。デジタル時代の社会的変化についてのコミュニティ主催者へのインタビューは分析を補完し、周辺地域の懸念に対する技術的解決の限界を浮き彫りにします。文書と生きた経験との間の湾を浮き彫りにする証拠を考えると、消費者を高める倫理規範は、同時に脆弱な人々のニーズを従属させる可能性があると主張します。デジタル技術の脆弱性の概念を導入して、データテクノロジー内での不均衡な危険への暴露を説明し、将来の倫理規定に対する推奨事項を提案します。

この論文の概要（機械翻訳による和訳）
人間は概念とメタコンセプトで推論します。視覚入力から赤と緑を認識します。また、オブジェクトの同じプロパティ（つまり、色）を記述することも理解しています。この論文では、画像と関連する質問と回答のペアから概念とメタコンセプトを共同学習するためのvisualconcept-metaconcept学習器（VCML）を提案します。重要なのは、視覚概念とメタ概念の間の双方向の接続を活用することです。視覚表現は、目に見えない概念のペア間の関係を予測するための基礎的な手がかりを提供します。赤と緑がオブジェクトの同じプロパティを記述することを知っているので、キューブと球体はオブジェクトの形状を分類するので、キューブと球体もオブジェクトの同じプロパティを記述するという事実に一般化します。偏ったデータも。紫色の立方体のほんのいくつかの例から、立方体の形ではなく立方体の色相に似た新しい色の紫色を理解できます。合成データセットと実世界データセットの両方の評価により、当社の主張が検証されます。

この論文の概要（機械翻訳による和訳）
自然言語がより単純な概念の構造化された組み合わせを介して複雑な概念を表すことを可能にする構成性の原則により、限られた語彙を使用してメッセージの自由なセットを伝えることができます。構成性が実際に言語の自然な性質である場合、言語ゲームの神経エージェントによって作成される通信プロトコルに現れることが期待されるかもしれません。この論文では、相互作用する神経エージェントに適用すると、より構造化されたタイプの言語の出現を促進する効果的な神経反復学習（NIL）アルゴリズムを提案します。実際、これらの言語は、トレーニング中にニューラルエージェントに学習速度の利点を提供します。 NILの確率モデルと、構成言語の利点が存在する理由の説明を提供します。私たちの実験は私たちの分析を確認し、また、出現した言語が神経エージェントコミュニケーションの一般化力を大幅に改善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）
回帰Tsetlinマシン（RTM）は、最新の非線形回帰モデルを妨げる解釈可能性の欠如に対処します。これは、命題論理の連言句を使用して、データ内の基になる非線形周波数パターンをキャプチャすることによりこれを行います。これらは、合計によって連続出力に結合されますが、線形回帰関数に似ていますが、非線形成分と単一の重みがあります。 RTMは競合する精度で非線形回帰の問題を解決しましたが、出力の解像度は使用する節の数に比例します。これは、計算コストが解像度とともに増加することを意味します。この問題を軽減するために、ここでは整数の重み付きRTM句を紹介します。整数の重み付き句は、同じサブパターンをキャプチャする複数の句のコンパクトな表現です。Nrepeating句は整数の重みNで1つになります。これにより、計算コストがN倍に削減され、スパース表現によって解釈可能性が向上します。さらに、ライン上のいわゆる確率的検索を利用して、句とその重みの両方を同時に学習できる新しい学習スキームを導入します。 6つの人工データセットを使用して、整数加重RTMの可能性を経験的に評価します。結果は、整数加重RTMが通常のRTMと比較して大幅に少ない計算リソースを使用して、同等以上の精度で取得できることを示しています。さらに、整数の重みは実数値よりも精度が向上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）
ソーシャルネットワークや通信ネットワークなどのさまざまな情報ネットワークのコンテンツの豊富さは、外部の監督なしで高品質の表現表現を学習するための前例のない可能性を提供します。マナー。この目的のために、入力グラフと高レベルの隠された表現の間の相関を測定するために、新しい概念であるグラフィカル相互情報（GMI）を提案します。 GMIは、ノードの特徴とトポロジ構造の2つの側面からの相互情報の測定が不可欠である、ベクトル空間からグラフドメインへの従来の相互情報計算の概念を一般化します。 GMIにはいくつかの利点があります。まず、入力グラフの同型変換に不変です。これは、多くの既存のグラフ表現学習アルゴリズムで避けられない制約です。また、MINEなどの現在の相互情報推定方法により、効率的に推定および最大化できます。最後に、理論的分析により、その正当性と合理性が確認されます。 GMIを使用して、agraphニューラルエンコーダーの入力と出力の間でGMIを最大化することにより訓練された教師なし学習モデルを開発します。トランスダクティブおよびインダクティブノードの分類とリンク予測に関するかなりの実験により、この方法が最先端の監視なしの対応物よりも優れており、監視付きの方法の性能を超えることさえあることが実証されています。

この論文の概要（機械翻訳による和訳）
自然言語を使用するように人工エージェントを教えるための有望なアプローチは、ヒューマンインザループトレーニングの使用を伴います。ただし、最近の研究では、現在の機械学習方法はデータ効率が悪いため、この方法でゼロからトレーニングすることはできません。この論文では、サンプル効率を改善するという究極の目標で、学習信号の2つのカテゴリ間の関係を調査します：教師あり学習による人間の言語データの模倣、およびセルフプレイによる（シミュレートされたコミュニケーションとしての）シミュレートされたマルチエージェント環境での報酬の最大化これらの信号の両方を使用するアルゴリズムに、監視付きセルフプレイ（S2P）という用語を導入します。私たちは、人間のデータの教師付き学習による最初のトレーニングエージェントとそれに続く自己再生のパフォーマンスが優れていることを発見しました。次に、2つの環境での教師あり学習から始まるさまざまなS2Pスケジュールを経験的に調査します：シンボリック入力を使用したLewis信号ゲームと、自然言語記述を使用した画像ベースの参照ゲーム最後に、S2Pへの人口ベースのアプローチを導入し、単一のパフォーマンスをさらに向上させます-agentメソッド。

この論文の概要（機械翻訳による和訳）
説明-事後解釈の形式-AIが複雑で繊細な社会技術システムを増殖し続けているため、システムをアクセス可能にするための重要な役割を果たします。この論文では、人間をテクノロジー設計の中心に置くアプローチとして、Human-centeredExplainable AI（HCXAI）を紹介します。価値の相互作用、対人関係のダイナミクス、およびAIシステムの社会的に位置する性質を考慮して、人間が誰であるかについての全体的な理解を深めます。特に、反射的な社会技術的アプローチを提唱します。技術的な進歩と人的要因の理解がどのように共進化するかを示す、非技術的なエンドユーザー向けの説明システムのケーススタディを通じてHCXAIを説明します。ケーススタディに基づいて、私たちは、人間が誰であるかをさらに洗練し、1対1の人間とコンピューターの相互作用を超えて拡張することに関するオープンな研究質問を提示します。最後に、クリティカルテクニカルプラクティスの観点から媒介され、価値に敏感な設計や参加型設計などのHCIの戦略で補完された反射型HCXAIおよび研究スペース。

この論文の概要（機械翻訳による和訳）
深層学習と深層強化学習の最近の成功により、最新の人工学習技術としての地位が確立されました。しかし、これらのアプローチの長年の欠点、たとえば不十分なサンプル効率や限られた一般化能力は、そのようなシステムの設計および展開方法を再考するために必要とされています。この論文では、これらの学習システムの使用が、進化アルゴリズムの特定のバリエーションと組み合わせて、さまざまな望ましい行動や有用な行動事前セットの自動取得などのユニークな特性の出現につながることを強調しています。これにより、環境との相互作用を最小限に抑えながら、一般化された継続的な方法で学習するための道が開かれます。そのような神経進化フレームワークから予想される改善、関連する課題、および多くの研究分野への応用の可能性について議論します。

この論文の概要（機械翻訳による和訳）
日々の生活にますます複雑なAIシステムが導入されるにつれて、日常のユーザーが比較的簡単にそのようなシステムを操作し、対話できることが重要になります。このような相互作用を調整するには、システムがその決定の説明と理論的根拠を提供し、代替決定に関するフィールドクエリを実行できる必要があります。このような説明的な対話を可能にするための重大なハードルは、システムがタスクについて推論するために使用する複雑な表現と、ユーザーがタスクを表示している可能性のある用語との不一致です。このホワイトペーパーでは、システムダイナミクスがブラックボックスシミュレーターで最もよく表現される決定論的な順次意思決定設定について、ユーザー指定の概念に関して対照的な説明を提供するために活用できる方法を紹介します。これを行うには、システムダイナミクスをシンボリックプランニングモデルに関して少なくとも部分的にキャプチャできると想定し、これらのモデルの説明を提供します。人気のAtariゲーム（Montezuma’s Revenge）のシミュレーターを使用してこのメ​​ソッドを実装し、ユーザー調査を実行して、この形式で生成された説明が役立つかどうかを確認します。

この論文の概要（機械翻訳による和訳）
社会は、ソーシャルネットワークなどの新しい情報チャネルにより、人々が不必要に信頼に値しないニュースを共有できるようになるため、情報消費の変化を実験しています。時々、これらの情報源は、疑わしい目的で故意に偽のニュースを生成し、その情報の消費者は、情報が正確であると考えている他のユーザーにそれを共有します。 、グループorideas。したがって、情報を偽物として検出および分類し、情報のソースを信頼できるかどうかを分類できるシステムを設計することが望ましい。現在のシステムは、この情報をコンテキストに依存せずに分類できる自動手順を設計するのが複雑であるため、このタスクを実行する際の困難を実験しています。本研究では、重み付けされた因果グラフに基づく分類器を介して偽ニュースを検出するメカニズムを提案します。これらのグラフは、テキストから検索された因果関係によって構築された特定のハイブリッドモデルであり、因果関係の不確実性を考慮しています。このグラフの確率分布を使用してこのグラフの利点を活用し、学習した情報と新しい情報のエントロピーとKLの発散に基づいて偽のニュース分類子を構築しました。シンボリックと定量的方法論のハイブリッド性により、このモデルは偽ニュースの問題に正確に対処していると考えています。この分類器の方法論を説明し、合成実験および肺がんを含む実際の実験の形式で提案されたアプローチの有用性の経験的証拠を追加します。