AI分野論文まとめ【2020年02月07日arXiv公開】

この論文の概要（機械翻訳による和訳）
この論文では、最初の多言語（フランス語、英語、アラビア語）および多文化（インドヨーロッパ言語対文化的に近い言語ではない）皮肉な検出システムを提案します。単一言語の単語表現を使用して、機能ベースのモデルとニューラルアーキテクチャの両方を採用しています。これらのシステムのパフォーマンスを最新のシステムと比較して、その機能を特定します。多言語の単語表現またはテキストベースの機能を使用して異なる言語で個別にトレーニングされたこれらの単一言語モデルは、アイロニーの注釈付きデータ。

この論文の概要（機械翻訳による和訳）
ナレッジグラフを介したクエリ応答のためのロジックベースのシステムは、グラフで明示的に表された情報に依存する応答のみを返します。リコールを改善するために、最近の研究では、欠落しているリンクやラベルなどの追加情報を予測するための埋め込みの使用が提案されています。これらの埋め込みにより、グラフの構造に完全に依存することなく、グラフのエンティティをクエリの回答として採点できます。最も単純な場合、このような設定でクエリに応答するには、2つのエンティティ間のリンクを予測する必要があります。ただし、linkpredictionは、複数のエンティティと変数を含む複雑なクエリに対処するには不十分です。このタスクを解決するために、ノードが変数とエンティティに対応するクエリのグラフ表現にメッセージ受け渡しメカニズムを適用することを提案します。これにより、クエリの埋め込みが行われ、応答するエンティティが埋め込みスペース内でそれに近くなります。メソッドの一般的な定式化により、以前の作業と比較して、より多様なクエリタイプのセットをエンコードできます。トレーニング中に見られないエッジに依存するクエリに回答することでメソッドを評価し、競争力のあるパフォーマンスを得ます。以前の研究とは対照的に、我々の方法は、シングルホップのリンク予測タスクのトレーニングから、より複雑な構造を持つアンサーリングクエリまで一般化できることを示しています。定性分析は、学習した埋め込みがさまざまなエンティティタイプの概念をうまく捕捉していることを明らかにしています。

この論文の概要（機械翻訳による和訳）
3D構造を作成できる自動化システムの需要が高まっています。ロボットの空間押し出しは、大きな方向依存構造を印刷するマニピュレーターの柔軟性により、従来のレイヤーベースの3D印刷の魅力的な代替手段になりました。ただし、既存の押出計画アルゴリズムでは、かなりの量の人間の入力が必要であり、大規模なインスタンスに拡張できず、理論的な保証がありません。この作業では、ロボットの空間押し出し計画の厳密な形式化を提示し、いくつかの効率的で確率的に完全な計画アルゴリズムを提供します。重要な計画の課題は、印刷プロセス全体を通して、構造の変形を制限する剛性の制約と、ロボットが構造と衝突しないことを保証する幾何学的な制約の両方を満たすことです。これらの制約はしばしば相反しますが、スティフネスを意識したヒューリスティックに導かれた貪欲な後方状態空間検索は、両方の制約のバランスをうまく取ることができることを示します。 40を超えるシミュレートされた押出し問題のベンチマークで方法を経験的に比較します。最後に、3つの実際の押し出し問題にアプローチを適用します。

この論文の概要（機械翻訳による和訳）
機械学習の注意は主にボトムアップですが、人々はトップダウンの目標指向の注意も展開します。神経科学の研究に動機付けられ、既存のディープコンボリューショナルニューラルネットワーク（DCNN）に簡単に追加できる、プラグアンドプレイのトップダウンアテンションレイヤーを評価しました。物体認識タスクでは、トップダウンの注意を高めることには利点（ヒット率の増加）とコスト（誤警報率の増加）があります。中程度のレベルでは、注意は標準画像、混合画像、および自然の敵対画像を含むタスクのバイアスの適度な増加のみで感度を改善します（つまり、$ d ^ prime $を増加します）。これらの理論的結果は、トップダウンの注意が、現在のタスク目標によりよく適合するように汎用DCNNを効果的に再構成できることを示唆しています。この結果が、神経科学と機械学習の間の実り多い対話を継続することを願っています。

この論文の概要（機械翻訳による和訳）
標準的なチューリングテストでは、機械はその人間性を裁判官に証明する必要がありますが、人間などの思考エンティティをうまく模倣することで、この機械も思考できることを証明します。しかし、この議論の妥当性に対して多くの反対が提起されています。このような異議は、チューリングテストは一般的な知性や思考活動の存在を実証するツールではないと主張しています。この観点から、チューリングテストの代替案を調査する必要があります。鏡を通して動物に適用される自己認識テストは、ある種の一般知能の存在を実証するための実行可能な代替手段であると思われます。ここでの方法論は、チャットボット（このコンテキスト）を1つとして配置することにより、ミラーテストのテキストバージョンを構築します。ミラーテストのこのテキストバージョンは、客観的で自己完結型であり、チューリングテストに対して提起された異議に対する免疫がほとんどありません。このテキストミラーテストに合格したチャットボットは、Turingの「機械は考えられるか？」という元々の長続きする質問に答えて、内なる声と呼ぶことができる思考メカニズムを持つか、獲得する必要があります。建設的な方法で。

この論文の概要（機械翻訳による和訳）
ピュアコンフリクトおよびピュアコモンインタレストゲームの強化学習に関する最近の研究は、人口の不均一性の重要性を強調しています。対照的に、混合動機ゲームにおける強化学習の研究は、主に同種のアプローチを活用しています。混合動機付けゲームの定義的な特性（グループメンバー間のインセンティブの不完全な相関）を考慮して、混合動機付け強化学習に対する母集団の不均一性の影響を研究します。私たちは社会心理学から相互依存理論を引き出し、強化学習エージェントに社会的価値指向（SVO）を吹き込みます。これは、グループの結果の分布に対する選好の柔軟な形式化です。その後、2つの混合動因マルコフゲームにおける強化学習エージェントの人口に対するSVOの多様性の影響を調査します。これらの混合動機のジレンマの経験的結果は、異質な集団で訓練されたエージェントが、同質の集団で訓練されたエージェントに比べて、特に一般化された高性能のポリシーを開発することを示唆しています。

この論文の概要（機械翻訳による和訳）
本論文では、公平性の制約の下で相関クラスタリングを研究する。$ k $中央値と$ k $中心クラスタリングの公正な変種は最近研究されており、フェアレット分解と呼ばれる概念を用いた近似アルゴリズムが提案されている。いくつかの重要なタイプの公平性制約の下で、フェア相関クラスタリングの近似アルゴリズムを取得します。私たちの結果は、新しい組み合わせ最適化問題を導入することにより、相関クラスタリングのフェアレット分解を得ることにかかっています。この問題がどのように$ k $中央値のフェアレット分解に関係するか、そしてこれがどのように広範囲の公平性制約の近似アルゴリズムを得ることができるかを示します。理論的結果を実際のグラフでのアルゴリズムの詳細な分析で補完し、最新の（不公平な）アルゴリズムと比較して、コストの限られた増加で相関クラスタリングの公正なソリューションが得られることを示します。

この論文の概要（機械翻訳による和訳）
セマンティックノイズは、ドメイン固有の業界のテキスト分析アクティビティに大きく影響します。それは、重要な意思決定作業において最重要を保持するテキストの理解を妨げます。この作業では、セマンティックノイズをテキストの物語に寄与しない一連の用語として形式化します。標準的な統計ベースのストップワードの概念を超えて、セマンティックノイズを排除するために用語のセマンティクスを検討します。メタデータをカテゴリカルコーパステキストに関連付け、そのほぼ損失のない性質を示すための新しい意味論的注入手法を提示します。この手法に基づいて、用語のコンテキストを使用してセマンティックノイズをフィルタリングするための教師なしテキスト前処理フレームワークを提案します。後で、automobile-domainのWebフォーラムデータセットを使用して、提案されたフレームワークの評価結果を示します。

この論文の概要（機械翻訳による和訳）
最近、データサイエンスの進歩がTransportationScienceおよびEngineeringのすべての分野に浸透しており、輸送部門の開発はデータ駆動型であると想像するのは簡単です。今日、IntelligentTransportation Systems（ITS）は、大量のデータを集中的に生成および消費する「ストーリー」としてほぼ間違いなくアプローチできるでしょう。インフラストラクチャ、車両、または旅行者の個人用デバイスに密に広がる多様なセンシングデバイスは、最終的に自動デバイス、アクチュエーター、または制御システムで実行されるソフトウェアに供給されるデータフローのソースとして機能し、ユーザー、トラフィックマネージャー、データ間の複雑な情報フローを生成しますこれらの情報フローは、モデル開発と意思決定を改善する大きな機会を提供します。本研究の目的は、さまざまなITSソースからのデータを使用して、ITS資産、システム、およびプロセスを効率的に運用するためのデータ駆動型モデルを学習および適応する方法を説明することです。言い換えれば、データベースのモデルが完全に実行可能になります。このITSのデータモデリングパイプラインに基づいて、データ融合、適応学習、モデル評価という3つの複合化段階に固有の特性、工学的要件、課題を定義します。私たちの論文の中核は、ほとんどの学習者が大部分のITSアプリケーションの根底にある絶え間なく変化する現象に適応しなければならないという確固たる信念があるからです。最後に、データベースのITSモデリングに顕著な進歩をもたらすことができる、データサイエンスレルム内の現在の研究ラインの展望を提供します。

この論文の概要（機械翻訳による和訳）
分散環境でのピアツーピアの知識伝達は、事前強化された深層学習の教師に頼らずに学習を加速し、チーム全体のパフォーマンスを向上させることができるため、有望な方法として登場しました。ただし、アクションアドバイスなどの従来のピアツーピア方式では、知識やアドバイスを効率的に表現する方法が困難になりました。その結果、経験を再利用し、モデル蒸留を介して複数の学生間で価値関数を転送するためのまったく新しいソリューションを提案します。しかし、Q関数は不安定であり、制限されていないため、Q関数を直接転送することは依然として困難です。既存の作品が直面するこの問題に対処するために、Categorical Deep Q-Networkを採用しています。また、複数の分散エージェント間で異種の知識を活用するための非効率的な通信プロトコルの設計方法についても説明します。提案されたフレームワーク、つまり学習と指導のカテゴリー強化（LTCR）は、4つの典型的な実験環境でチーム全体の報酬が向上し、学習の進行を安定化および加速する有望なパフォーマンスを示しています。

この論文の概要（機械翻訳による和訳）
ディープラーニングは、大量のトレーニングデータが利用可能ないくつかのタスクで印象的な結果を達成することが示されています。ただし、ディープラーニングは予測の精度にのみ焦点を当て、判断につながる推論プロセスを無視します。確率論的論理推論は、統計的規則性と特定のドメイン専門知識の両方を活用して推論の不確実性を実行することを可能にしますが、そのスケーラビリティと感覚データを処理するレイヤーとの脆弱な統合により、そのアプリケーションが大幅に制限されました。これらの理由から、深いアーキテクチャと確率論的論理推論を組み合わせることは、複雑な環境で動作するインテリジェントエージェントの開発に向けた基本的な目標です。この論文では、学習者と一次論理ベースの推論システムのパラメータを共同でトレーニングできる新しいフレームワークであるリレーショナルニューラルマシンを紹介します。リレーショナルニューラルマシンは、純粋なサブシンボリック学習の場合は教師ありデータから古典的な学習を、純粋なシンボリック推論の場合はマルコフロジックネットワークの両方を回復できますが、同時にハイブリッド学習タスクのトレーニングと推論の実行を可能にします。適切なアルゴリズムのソリューションは、大規模問題で学習と推論を扱いやすくするために考案されています。実験は、さまざまなリレーショナルタスクで有望な結果を示しています。

この論文の概要（機械翻訳による和訳）
高速ストリームの形式で生成される膨大な量のデータの出現により、リアルタイムの機械学習は、現実世界のアプリケーションの過多で関連性を高める課題になっています。このような高速ストリームを処理するには、高いメモリと処理リソースが必要です。さらに、非定常現象（概念ドリフト）の影響を受ける可能性があります。これにより、学習方法はストリーミングデータの分布の変化を検出し、これらの進化する条件に適応する必要があります。効率的でスケーラブルなソリューションの欠如は、特に、小規模で多数の相互接続された処理ユニット（いわゆるSmart Dust、Utility Fog、Swarm Roboticsパラダイムなど）のネットワークで発生するため、コンピューティングリソースが厳しく制限されるリアルタイムシナリオで注目されています）。この作業では、前述の要件を満たすために考案されたセルオートマトンの合理化バージョンであるLUNARを提案します。ドリフト条件に適応しながら、実際のインクリメンタル学習者として機能することができます。合成データと実際のデータを使用した広範なシミュレーションにより、長年確立され成功しているオンライン学習方法と比較した場合、分類性能の面での競争行動の証拠が提供されます。

この論文の概要（機械翻訳による和訳）
構造化されていないペルソナ指向の対話システム（UPDS）は、事前定義された自然言語ユーザーのペルソナの説明（例：「私はビーガンです」）を利用することで、ペルソナの一貫した応答を生成するのに効果的であることが実証されています。ただし、事前に定義されたユーザーのペルソナの説明は通常短く、いくつかの説明的な単語のみに制限されているため、それらをダイアログと関連付けることは困難です。その結果、既存の方法では、ペルソナの一貫した応答を生成するときに、ペルソナリデーションを使用できないか、不適切に使用します。これに対処するために、神経局所拡張フレームワーク、すなわちペルソナ探査とエクスプロイト（PEE）を提案します。 PEEは、ペルソナ探査とペルソナエクスプロイトという2つの主要モジュールで構成されています。前者は、変分オートエンコーダ（VAE）ベースのトピックモデルを使用して、既存の対話コーパスをマイニングおよび相関させることにより、事前定義されたユーザーのペルソナ記述を拡張することを学習します。後者は、事前定義および拡張されたユーザーペルソナ記述を利用して、ペルソナの一貫した応答を生成することを学習します。ペルソナ搾取にユーザーのペルソナ記述をより適切に活用することを学習させるために、ペルソナ指向の損失関数を紹介します。エンコーダーおよびデコーダーでのペルソナ選択。実験結果は、自動評価と人間評価の両方の観点から、当社のアプローチが最先端のベースラインより優れてい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）
報酬が少ない環境での効率的な学習は、Deep Reinforcement Learning（DRL）で最も重要な課題の1つです。ロボットアーム制御などの継続的なDRL環境では、Hindsight Experience Replay（HER）が効果的なソリューションとして示されています。ただし、決定論的手法の脆弱性により、HERとそのバリアントは通常、安定性と収束性に大きな課題があり、最終的なパフォーマンスに大きく影響します。この課題は、このような方法の複雑な実世界のドメインへの適用性を厳しく制限します。この課題に取り組むために、このペーパーでは、失敗した再利用と最大エントロピー確率的推論モデルを組み合わせた、HERand Maximum Entropy Reinforcement Learning（MERL）に基づく新しいアプローチであるSoft Hindsight Experience Replay（SHER）を提案します。少ない報酬でOpen AIロボット操作タスクのSHERを評価します。実験結果は、HERとそのバリアントとは対照的に、提案されたSHERは、特に困難なHandManipulationタスクで、最先端のパフォーマンスを達成することを示しています。さらに、SHERメソッドはより安定しており、異なるランダムシード間で非常に類似したパフォーマンスを達成します。

この論文の概要（機械翻訳による和訳）
階層強化学習（HRL）は、強化学習における大規模でまばらな報酬の問題に対処するのに役立ちます。 HRLでは、ポリシーモデルにはレベルで構造化された内部表現があります。この構造により、強化学習タスクは、サブタスクを備えた対応するレベルに分解されることが期待されるため、学習はより効率的になります。 HRLでは、高レベルのポリシーはマクロ決定を低頻度で行うだけでよいのは直感的ですが、正確な頻度を簡単に決定することは困難です。従来のHRLアプローチでは、多くの場合、コンテキストを考慮せずに固定時間スキップ戦略を採用したり、最終条件を学習したりしていました。この論文では、一時的なゲートを使用して高レベルの政策決定頻度を適応的に制御する emph {temporal-adaptive hierarchypolicy learning}（TEMPLE）構造を提案します。 TEMPLE構造をPPOでトレーニングし、2-Drooms、Mujocoタスク、Atariゲームなどのさまざまな環境でパフォーマンスをテストします。結果は、TEMPLE構造が、これらの環境で、順応性の高い高レベル制御によりパフォーマンス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）
人間の移動軌跡から生成された場所の埋め込みは、場所の機能を理解するための一般的な方法になりました。多くのアプリケーションでは、空間解像度の高い場所への埋め込みが望ましいですが、空間解像度を縮小すると、特に人口の少ない地域では、データのスパース性により埋め込みの品質が低下します。この問題に対処するには、観測されたデータポイントのローカル密度に従って空間階層情報を活用する、きめの細かい場所の埋め込みを生成する方法を提案します。細かい場所の埋め込みの有効性は、日本の3都市の現実世界の軌跡データを使用して、次の場所の予測タスクを介してベースラインメソッドと比較されます。さらに、私たちは、土地利用分類アプリケーションのために、細粒度の場所埋め込みの価値を実証します。空間階層情報を取り入れる私たちの技術は、さまざまな場所の埋め込み生成メソッドを補完し、強化できると信じています。

この論文の概要（機械翻訳による和訳）
データサイエンティストおよび機械学習の実践者の大部分は、自分の仕事でユーザーデータを使用しています[State of ML and Data Science 2017、Kaggle、Inc。]。しかし、リレーショナルデータベースに保存されたデータの機械学習モデルをトレーニングするには、大量のデータ抽出と機能エンジニアリングの努力が必要です。 Graph NeuralNetworksを使用してこれらの課題を克服する方法を紹介します。提案された方法は、3つのデータセットのうち2つで最先端の自動フィーチャエンジニアリング方法よりも優れています。

この論文の概要（機械翻訳による和訳）
ユーモアなどの創造的なテキストのデータセットの構築は、非常に困難です。プレイヤーがニュースの見出しを編集して面白くし、他の人が編集した見出しの面白さを評価する競争力のあるゲーム、FunLinesを紹介します。 FunLinesは、ユーモア生成プロセスを楽しく、インタラクティブで、協力的で、やりがいのある、教育的なものにし、従来のクラウドソーシングアプローチと比較して非常に低コストでプレイヤーの関与を維持し、ユーモアデータを提供します。 、分析が示すように。これにより、生成されたデータセットの品質がさらに向上します。以前のベンチマークよりも優れたユーモア分類モデルをトレーニングすることにより、このデータの有効性を示し、このデータセットを公開します。

この論文の概要（機械翻訳による和訳）
ランドマークは、人々がナビゲートする方法の中心であるが、ほとんどのナビゲーション技術では、ランドマークを表現に組み込んでいない。ランドマークグラフ生成タスク（自然言語からのランドマークベースの空間表現の作成）を提案し、これらのグラフを生成するための完全なエンドツーエンドのニューラルアプローチを導入します。 SAILルート指示データセットと、収集した実際の配送指示の小さなセットでモデルを評価し、このアプローチがタスクと関連するロボットナビゲーションタスクの両方で高品質の結果をもたらすことを示します。

この論文の概要（機械翻訳による和訳）
自治とサイバー防衛における技術開発の取り組みは、過去10年にわたって互いに独立して進化してきました。このホワイトペーパーでは、現在これらの2つの異なる領域を単一のフレームワークに統合するための継続的な取り組みを報告しました。この目的のために、不確実性の下での高レベルの自律的ミッション計画と不完全な情報の対象となる敵対的な意思決定の両方を捕捉するために、2人のプレーヤーが部分的に観測可能な確率ゲーム形式を提案します。このようなゲームの準最適戦略の合成は、自律的意思決定とサイバー攻撃者の両方の有限メモリ仮定の下で可能であることを示しています。次に、提案されたフレームワークの有効性を評価するための実験用テストベッドについて説明します。

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）
自動音楽生成は、音楽のコンピューターによる創造性とセマンティック分析を組み合わせて自動機械即興演奏を作成する学際的な研究トピックです。このようなシステムの重要な特性は、生成された音楽の条件と望ましい特性をユーザーが指定できるようにすることです。この論文では、ユーザーが指定したシンボリックシナリオと以前の音楽コンテキストを組み合わせて、メロディを作成するためのモデルを設計しました。調和関数の張力と解像度の低次元表現を提供するコード関数の観点から、外部音楽の品質を示す手動のラベル付きベクトルを追加します。このモデルは、8ビートのノートシーケンスを基本単位と見なすことで長いメロディを生成でき、一貫したリズムパターン構造を別の特定の歌と共有します。モデルには2つのステージが含まれており、最初のステージでは条件付き変動オートエンコーダー（C-VAE）を採用してノートシーケンスとその潜在表現の間の全単射を構築し、2番目のステージでは継続する構造条件を備えた長期短期記憶ネットワーク（LSTM）を採用しますfuturemelodiesを作成します。さらに、C-VAEを介したディスエンタングルメント技術を活用して、リズムパターンのコンディショニングとは別に、ピッチコンター情報に基づくメロディ生成を可能にします。最後に、リズムの定量分析と主観的なリスニング研究を使用して、提案モデルを評価します。結果は、モデルによって生成された音楽は、顕著な反復構造、豊富な動機、および安定したリズムパターンを持つ傾向があることを示しています。セマンティックシナリオの仕様条件と組み合わせた、解かれた表現からより長く、より構造的なフレーズを生成する機能は、モデルの幅広い応用を示しています。

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。