AI分野論文まとめ【2020年01月29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、CoagentNetwork Policy Gradient Theorem（Kostas et al。、2019）を、関連する関数近似器間でパラメーターが共有されるコンテキストに一般化する定理を証明することを目的としています。これにより、パラメータ共有の任意のパターンを使用し、ネットワークのグラフ構造の自由度を活用して、特定のタスクでのリレーショナルバイアスを活用するための理論的基盤が提供されます。別のアプリケーションとして、結果を適用して、（Riemer et。al。、2019）で最初に示された階層オプションの批評家PolicyGradient定理のより直感的な証明を提供します。

この論文の概要（機械翻訳による和訳）
因果説明は、因果連鎖を通じて事象の経過を理解する直観的な方法を提示し、人間が説明に使用する顕著なモデルとして認知科学で広く受け入れられています。重要なことに、因果モデルは機会連鎖を生成でき、これは「AがBを有効にし、Bが原因C」の形式を取ります。人間とエージェントの実験データの機会連鎖の概念を基に、さまざまなモデルからの説明を参加者に提示し、エージェントの行動に関する独自の説明を提供するように依頼します。結果は、人間が事実上機会連鎖の概念を使用して人工エージェントの行動を記述することを示しています。最近、action-influenceモデルがモデルフリー強化学習（RL）の因果関係の説明を提供するために提案されました。これらのモデルは反事実を生成することができます—発生しなかったが異なる条件の下で発生する可能性のあるもの—それらは機会連鎖の説明を生成する能力に欠けています。意思決定ツリーと因果モデルを使用して反事実と機会連鎖を分析できる遠位説明モデルを導入します。リカレントニューラルネットワークを使用して機会連鎖を学習し、意思決定ツリーを使用してタスク予測と生成された反事実の精度を向上させます。異なるRLアルゴリズムを使用して、6つのRLベンチマークでモデルを計算的に評価し、タスク予測でモデルのパフォーマンスが向上することを示します。 3つのシナリオを解決する際のRLエージェントの行動の説明を受ける90人の参加者を対象とした研究について報告します。1）敵対者。 2）捜索と救助。 3）人間とエージェントの共同シナリオ。タスクの予測と説明の主観的な満足度を通じてエージェントの参加者の理解を調査し、2つのベースライン説明モデルと比較して、3つのシナリオよりも遠位説明モデルの結果が改善さ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）
この論文では、操作変数と結果に影響を与えるもっともらしい交絡変数のセットを与えながら、変数を「操作」する際に結果の変化を求めることを目的として、隠された変数を持つ観測データの因果クエリの問題について議論します。操作変数の因果効果を推定するこのような「データの実験」は、履歴データを使用した実験計画の検証や、新しい関係を研究する際の交絡因子の探索に役立ちます。ただし、既存のデータ駆動型の因果効果推定方法には、高次元データのスケーラビリティの低さ、グローバルな因果構造学習アルゴリズムで使用されるヒューリスティックによる推定精度の低さ、隠された変数が不可避なデータである場合の因果充足の仮定など、いくつかの大きな課題があります。この論文では、現実的な前処理の仮定の下で、観測データから因果効果推定の調整（または交絡）変数のスーパーセットを見つけるためにローカル検索を使用するための定理を開発します。定理は、因果効果の不偏推定値が因果のセットで得られることを保証します調整変数のスーパーセットによって推定される効果。開発された定理に基づいて、因果クエリのためのデータ駆動型アルゴリズムを提案します。実験により、提案されたアルゴリズムは、隠された変数を使用した既存のデータ駆動型の因果効果推定法よりも高速であり、より良い因果効果推定を生成することが示されています。アルゴリズムによって推定された因果効果は、ドメイン知識を使用した最先端の方法による因果効果と同等です。

この論文の概要（機械翻訳による和訳）
洗練された堅牢で安全な順次決定を行うことは、インテリジェントシステムの中心です。これは、エージェントが他のエージェントの意図と考えられる将来のアクションを予測する必要がある複雑なマルチエージェント環境での計画にとって特に重要です。従来の方法は、問題をマルコフ決定プロセスとして定式化しますが、ソリューションは多くの場合、さまざまな仮定に依存しており、コーナーケースが提示されると脆弱になります。対照的に、深層強化学習（Deep RL）は、環境の探索、相互作用、学習を同時に行うことで、ポリシーを見つけるのに非常に効果的です。強力なDeep RLパラダイムを活用して、自己再生の反復手順が徐々に多様な環境を作成し、洗練された堅牢なマルチエージェントポリシーの学習につながることを実証します。これは、トラフィックを合流させるための挑戦的なマルチエージェントシミュレーションで実証されています。環境は単純なものから始まりますが、トレーニングの進行に合わせて、エージェントの「動物園」にますます多様化するエージェントのセットを繰り返し追加することで、複雑さを増しています。定性的に、私たちのポリシーは、自己再生を通じて、防御的な運転、追い越し、譲歩、および他のエージェントに意図を伝えるための信号灯の使用などの興味深い行動を自動的に学習することがわかります。さらに、定量的に、合体操作の成功率が63％から98％以上に劇的に改善された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）
進化的計算方法の一般的な主張は、人間の介入を必要とせずに良い結果を達成できるということです。ただし、これに対する批判の1つは、優れたパフォーマンスを実現するために調整する必要があるハイパーパラメーターがまだあるということです。この作業では、手動で指定する必要なく、進化全体でハイパーパラメーター値を適応させる、「パラメーターなし」に近い遺伝的プログラミング手法を提案します。これを（TPOTを拡張することにより）自動機械学習の領域に適用し、人間の入力がないことを効果的に主張できるパイプラインを作成し、結果が、手動で選択されたハイパーパラメーター値を使用する既存の最先端技術と競合することを示します。パイプラインは、ランダムに選択された推定器から始まり、競合するパイプラインに自動的に進化します。この作業は、AutoMLへの真に自動化されたアプローチを目指しています。

この論文の概要（機械翻訳による和訳）
ワールドビルディングは、ナラティブインテリジェンスを必要とするあらゆるタスクの基盤を形成します。この作品では、自然言語を使用してプレイヤーが「見る」「話す」テキストベースの世界、つまりインタラクティブなフィクションの世界を手続き的に生成することに焦点を当てています。これらの世界を生成するには、セマンティックに一貫性があり、興味深く、一貫性があることに加えて、日常的かつ主題的な常識的な優先順位を参照する必要があります。インスピレーションとして既存のストーリープロットを使用して、位置やオブジェクトなどの世界構造に関する基本情報をエンコードする部分的な知識のグラフを最初に抽出する方法を提示します。この知識グラフは、テーマ知識を利用して自動的に完成し、他の世界を一新する神経言語生成モデルを導くために使用されます。人間の参加者ベースの評価を実行し、認知モデルを抽出して入力するニューラルモデルの能力をテストし、ルールベースおよび人間が作成したベースラインに対して条件付けられた言語を生成します。コードは、https：//github.com/rajammanabrolu/WorldGenerationで入手できます。

この論文の概要（機械翻訳による和訳）
インテリジェントサービスはますます普及しています。アプリケーション開発者は、computervisionなどの分野の最新の進歩を活用してユーザーに新しいサービスと製品を提供したいと考えており、大規模なテクノロジー企業はRESTful APIを介してこれを可能にします。このようなAPIは、統合が容易なオンデマンドのマシンインテリジェンスを約束しますが、現在の設計、ドキュメント、および開発者インターフェイスは、それらを動かす基礎となる機械学習技術の多くを隠しています。このようなAPIは、従来のAPIのように見えますが、データ駆動型の確率的動作を抽象化します-クラウドストレージなどの他の従来のクラウドサービスと同じ方法でこれらのAPIを処理する開発者の影響が懸念されます。この調査の目的は、これらのインテリジェントサービスのうち最も成熟したもの、特にコンピュータービジョンを提供するものに依存するシステムを実装する際に、開発者が直面するさまざまな問題点を特定することです。 Stack Overflowを使用して、コンピュータービジョンサービスを使用するときに開発者が直面する不満の兆候をマイニングし、最近の2つの分類分類（ドキュメント関連の質問と一般的な質問）に対して質問を分類します。モバイル開発のような未熟な分野とは異なり、開発者が尋ねる質問のタイプには対照があることがわかります。これらは、そのようなシステムを強化する基礎技術の浅い理解を示しています。ソフトウェア工学コミュニティがこれらのサービスを改善する方法を提案し、開発者がそれらを使用する性質についてコメントするために、学習分類法のレンズを介してこれらの調査結果のいくつかの意味を議論します。

この論文の概要（機械翻訳による和訳）
オーディオイベント分類の最近の進歩は、事前情報として利用可能なラベルクラス間の構造と関係をしばしば無視します。この構造は、オントロジーによって定義され、ドメイン知識の形式として分類器で拡張できます。ラベル間のこのような依存関係をキャプチャするために、2つのコンポーネントを含むオントロジー対応ニューラルネットワークを提案します：フィードフォワードオントロジーレイヤーとグラフ畳み込みネットワーク（GCN）。フィードフォワードオントロジーレイヤーは、異なるレベルのオントロジー間のラベルの内部依存関係をキャプチャします。一方、GCNは主にオントロジーレベル内のラベルの相互依存構造をモデル化します。このフレームワークは、単一ラベルおよび複数ラベルのオーディオイベント分類タスクの2つのベンチマークデータセットで評価されます。結果は、オントロジー関係をキャプチャおよび調査し、分類パフォーマンスを改善するための提案されたソリューションの有効性を示しています。

この論文の概要（機械翻訳による和訳）
機械教育は、一連の例またはデモを介してターゲット仮説を教えるためのアルゴリズムフレームワークです。時相論理式の機械教育を調査します。これは、時間に関連するタスク仕様に適した斬新で表現力のある仮説クラスです。時相論理式を教えるという文脈では、近視の解法の徹底的な検索でも指数関数的な時間がかかります（タスクの期間に関して）。パラメトリック線形時相論理式を教えるための効率的なアプローチを提案します。具体的には、一連の仮説を排除するために、デモンストレーションの最短時間の必要条件を受け入れます。この条件を利用して、一連の整数計画問題を解くことにより近視教示アルゴリズムを提案します。さらに、教育の複雑さという2つの概念の下で、提案されたアルゴリズムがほぼ最適なパフォーマンスを発揮することを示します。この結果は、嗜好ベースのバージョンスペース学習者の指導に関する以前の結果を厳密に一般化したものです。さまざまな種類の学習者（つまり、異なる嗜好モデルを持つ学習者）および対話型プロトコル（バッチと適応など）でアルゴリズムを広範囲に評価します。結果は、提案されたアルゴリズムがさまざまな設定の下で与えられた目標時相論理式を効率的に教えることができること、および教師が学習者の現在の仮説に適応するかまたは神託を使用するとき、教育の有効性の大きな利益があることを示します。

この論文の概要（機械翻訳による和訳）
私たちは、その軍用バリアントで飛行および保守計画（FMP）問題を提示し、長期計画に適用します。この問題は、短期および中期の視野でのみ以前に研究されています。その類似点と相違点を以前の研究と比較し、その複雑さを証明します。フランス空軍艦隊に触発されたシナリオを生成します。これらのシナリオの問題を解決するために、MixedInteger Programming（MIP）モデルを定式化し、これらの状況下での解法のパフォーマンスを分析します。 Aheuristicは、高速で実行可能なソリューションを生成するために構築されたもので、場合によってはモデルのウォームスタートに役立つことが示されています。

この論文の概要（機械翻訳による和訳）
学習管理システム（LMS）と教育データマイニング（EDM）は、オンライン教育環境の2つの重要な部分であり、前者は学習コンテンツを管理し、学習活動を整理する集中型のWebベースの情報システム（Stone and Zheng、2014）であり、後者は生成されたデータの分析にデータマイニング手法を使用します。この作業の一環として、EDMの3つの主要なタスクに関する文献レビュー（セクション2を参照）、欠点と既存の未解決の問題の特定、およびブルメンフィールドチャート（セクション3を参照） ）。そのように使用されているペーパーとリソースの統合セットは、https：//github.com/manikandan-ravikiran/cs6460-Surveyで公開されています。調査のカバレッジ統計とレビューマトリックスは、それぞれ図1と表1に示すとおりです。頭字語の拡張は、付録セクション4.1に追加されます。

この論文の概要（機械翻訳による和訳）
機械学習アルゴリズムに基づく予測システムの透明性の必要性は、業界での増え続ける増殖の結果として生じています。ブラックボックスアルゴリズムの予測が人事に影響を与えるときはいつでも、これらのアルゴリズムの内部動作を精査し、システムエンジニア、システムのオペレーター、ケースが決定されている個人などの関連する利害関係者にその決定を説明する必要があります。さまざまな解釈可能性と説明可能性の方法が利用可能ですが、それらはいずれも、関係者が必要とする可能性のあるすべての多様な期待と競合する目的を満たすことができる万能薬ではありません。この課題では、対比的な説明の例を使用して、ブラックボックスシステムの透明性を向上させるInteractiveMachine Learningの約束について説明します。これは、解釈可能な機械学習の最先端のアプローチです。具体的には、条件文を対話的に調整して反事実的な説明をパーソナライズする方法を示し、フォローアップの「What if？」質問。このタイプのシステムを構築、展開、および提示した経験により、インタラクティブな説明者の開発をガイドするために使用できる、望ましいプロパティと潜在的な制限をリストできました。対話の媒体、つまりさまざまな通信チャネルで構成されるユーザーインターフェイスをカスタマイズすることで、パーソナライズの印象を与えることができますが、説明自体とその内容を調整することがより重要であると主張します。この目的のために、説明の幅、範囲、コンテキスト、目的、ターゲットなどのプロパティを考慮する必要があります。さらに、その制限と注意事項について明示的に説明する必要があります…

この論文の概要（機械翻訳による和訳）
機械学習、特にディープラーニングは、宇宙アプリケーションでの利用が増えており、多くの地球上の問題の画期的な成功を反映しています。宇宙機器の導入、例：衛星は、モジュラー衛星の開発と商業スペースの打ち上げにより、この分野のさらなる成長を促進するため、小さな俳優にとってよりアクセスしやすくなっています。高度な計算インテリジェンスを提供するDeeplearningの機能は、宇宙デバイスでのさまざまなタスクを容易にし、運用コストを削減する魅力的なオプションです。この作業では、宇宙でのディープラーニングを、モバイルおよび組み込み機械学習の開発方向の1つとして特定します。衛星画像などの宇宙データへの機械学習のさまざまなアプリケーションを照合し、通信コストの削減やナビゲーションの促進など、デバイス上のディープラーニングが宇宙船の運用を有意に改善する方法を説明します。衛星のコンピューティングプラットフォームの詳細と状況を把握し、リソースに制約のある環境向けの組み込みシステムと現在の研究の深い学習との類似性を引き出します。

この論文の概要（機械翻訳による和訳）
Machine Reading Comprehension（MRC）は、与えられた文章に基づいて質問に対する正しい答えを判断するためにmachineを必要とするAIの課題です。 MRCsystemsは、必要に応じて質問に答えるだけでなく、与えられたパッセージに従って回答が得られない場合も区別し、回答を巧みに避けなければなりません。 MRCタスクに答えられない質問が含まれる場合、エンコーダーに加えてベリファイアと呼ばれる重要な検証モジュールが特に必要になりますが、MRCモデリングの最新のプラクティスは、「読み「。このホワイトペーパーでは、MRCタスクのより良い検証器の設計を、答えられない質問とともに探求しています。人間が読解の質問をどのように解決するかに触発されて、私たちは2段階の読解と検証戦略を統合したレトロスペクティブリーダー（レトロリーダー）を提案しました： 2）答えを検証し、最終的な予測を与える集中的な読書。提案された読者は、2つのベンチマークMRCチャレンジデータセットSQuAD2.0とNewsQAで評価され、新しい最先端の結果を達成します。有意性テストは、このモデルが強力なALBERTベースラインよりも大幅に優れていることを示しています。提案された読者の有効性を解釈するために、一連の分析も行われます。

この論文の概要（機械翻訳による和訳）
Deep Reinforcement Learning（DRL）には、周囲の環境に迅速に適応する優れた能力のおかげで、現実の世界に数多くのアプリケーションがあります。その大きな利点にもかかわらず、DRLは敵対攻撃を受けやすく、その脆弱性に対処して軽減しない限り、現実の重要なシステムやアプリケーション（スマートグリッド、交通制御、自動運転車など）での使用を妨げます。したがって、このホワイトペーパーでは、DRLベースのシステムにおける新たな攻撃と、これらの攻撃から防御するための潜在的な対策について説明する包括的な調査を提供します。最初にDRLに関する基本的な背景をいくつか取り上げ、機械学習手法に対する新たな敵対攻撃を紹介します。次に、攻撃者がDRLを攻撃するために悪用できる脆弱性の詳細と、そのような攻撃を防ぐための最新の対策を調査します。最後に、DRLベースのインテリジェントシステムへの攻撃に対処するソリューションを開発するための未解決の問題と研究課題を強調します。

この論文の概要（機械翻訳による和訳）
本論文では、{ it構造情報学習マシン}（略してSiLeM）のモデルを提案し、計算と情報の理論を統合することにより、学習の数学的定義を導きます。モデルは、学習の本質は{ it to gain information}であり、情報を取得することはデータ空間に埋め込まれた{ it不確実性を排除すること}であり、データ空間の不確実性を排除することは最適化問題、つまり、{ it情報最適化問題}。これは一般的な{ it encoding treeメソッド}で実現できます。構造情報学習マシンの原理と基準は、データポイント間の関係とともに観察されるデータポイントからの{ itdecoding information}の最大化と、構文上の{ it essential structure}の意味論的な{ it解釈}です。 SiLeMマシンは、自然の法則やルールを学習します。現実世界のデータポイントを観察し、観察されたデータ間で{ it接続}を構築し、{ itデータ空間}を構築します。そのために、データポイントの接続方法を選択して{ itデコーディングデータ空間の情報}が最大化され、データ空間の動的な不確実性を最小化するデータ空間の{ itエンコーディングツリー}を見つけます。そのため、エンコーディングツリーは{ itdecoder}と呼ばれます。データ空間に埋め込まれた最大量の不確実性をすでに排除し、エンコーディングツリーであるデコーダの{ itセマンティクス}を解釈して{ itナレッジツリー}を形成し、両方のセマンティックの{ itremarkable common features}を抽出するデコーダーによってデコードされたモジュールの構文上の特徴により、{ it抽象化のツリー}を構築し、新しいデータが観察されたときの学習における{ it直感的な推論}の基盤を提供します。

この論文の概要（機械翻訳による和訳）
近年、新興テクノロジーとしてのモノのインターネット（IoT）の成長は信じられないほどです。 IoTドメイン内のネットワーク対応デバイスの数は劇的に増加しており、電子データの大量生産につながっています。これらのデータには、科学、産業、ビジネス、社会生活など、さまざまな分野で使用できる貴重な情報が含まれています。この情報を抽出して分析し、IoTシステムをスマートにするために、唯一の選択肢は人工知能（AI）の世界に入り、機械学習と深層学習の技術を活用することです。このホワイトペーパーでは、6つのIoT関連データセットを使用して、分類タスク用の11の一般的なマシンおよび深層学習アルゴリズムのパフォーマンスを評価します。これらのアルゴリズムは、精度、再現率、f1スコア、精度、実行時間、ROC-AUCスコア、混同マトリックスなど、いくつかのパフォーマンス評価指標に従って比較されます。開発されたモデルの収束速度を評価するために、特定の実験も行われます。包括的な実験により、すべてのパフォーマンスメトリックを考慮すると、ランダムフォレストは他の機械学習モデルよりも優れたパフォーマンスを発揮し、深層学習モデルの中でも、ANNとCNNはより興味深い結果を達成したことが示されました。

この論文の概要（機械翻訳による和訳）
敵対者の例は、分類器の予測を欺く能力があるため、ホットなトピックです。このような例を作成するための2つの戦略があります。1つは攻撃された分類器の勾配を使用し、もう1つはclas-sifierの予測へのアクセスのみを必要とします。これは、分類器が完全に知られていない場合（ブラックボックスモデル）に特に魅力的です。この論文では、2番目のパラダイムに従って真のデータから自然な敵対的な例を生成できる新しい方法を提示します。 Generative Adversarial Networks（GANs）[5]に基づいて、真のデータの経験的分布を再重み付けして、分類器がad-versarial例を生成するように促します。リモートセンシングデータセットで敵対的なハイパースペクトルシグネチャを生成することにより、私たちの方法の概念実証を提供します。