[論文レビュー] A Spacetime Approach to Generalized Cognitive Reasoning in Multi-scale Learning

Mark Burgess|arXiv (Cornell University)|Feb 12, 2017

Semantic Web and Ontologies参考文献 6被引用数 5

ひとこと要約

本稿では、多スケール学習における推論とパターン認識の分離を図る、時空にインspiredされた、プロミス理論に基づく認知的推論フレームワークを提案する。スケールフリーなネットワークにおける再帰的で部分的に決定論的な経路として意味的関係をモデル化することにより、多様なセンサー情報からのスケーラブルで文脈に適応した物語生成を可能にし、計算複雑性を顕著に低減するとともに、'ブレインスティング'を通じた動的かつ反復的な仮説形成を支援する。

ABSTRACT

In modern machine learning, pattern recognition replaces realtime semantic reasoning. The mapping from input to output is learned with fixed semantics by training outcomes deliberately. This is an expensive and static approach which depends heavily on the availability of a very particular kind of prior raining data to make inferences in a single step. Conventional semantic network approaches, on the other hand, base multi-step reasoning on modal logics and handcrafted ontologies, which are ad hoc, expensive to construct, and fragile to inconsistency. Both approaches may be enhanced by a hybrid approach, which completely separates reasoning from pattern recognition. In this report, a quasi-linguistic approach to knowledge representation is discussed, motivated by spacetime structure. Tokenized patterns from diverse sources are integrated to build a lightly constrained and approximately scale-free network. This is then be parsed with very simple recursive algorithms to generate `brainstorming' sets of reasoned knowledge.

研究の動機と目的

• AI推論における静的でデータ集約的なパターン認識および脆く手作業で作成されたオントロジーの限界に対処するため、ハイブリッドで分離型のアプローチを提案すること。
• 意味的関係を時空に類似した構造としてモデル化することにより、多様なデータソース（例：IoT、ウェブセンサー）を横断するスケーラブルで多スケールの推論を可能にすること。
• 決定論的論理ではなく文脈的除外を通じて進化する、動的で反復的な仮説生成（'ブレインスティング'）を支援すること。
• 事前に定義されたきめの粗いオントロジーを必要とせず、センサー入力から出現する人間が検査可能な意味的に豊かな知識表現を構築すること。

提案手法

• 知識表現をプロミス理論を用いてフレームワーク化し、グラフ構造における協力的で意図に基づく相互作用として意味的関係をモデル化すること。
• 多様な感覚入力を意味的トークンにトークン化し、スケールフリーなネットワークに緩やかに制約を課して組織化することで、多スケール推論を可能にすること。
• 単純な再帰的アルゴリズムを適用し、ネットワークを解析して接続された経路を走査することで、'ブレインスティング'用の推論的物語セットを生成すること。
• 因果的解析を用いて、共通の名前と文脈的役割を通じて異常（例：ウェブトラフィックの急増）と意味的コンセプト（例：'ジューアス'映画祭、'ジューアス'寿司店）を結びつけること。
• 不確実性と複数の可能性を保持する再帰的経路走査により物語を推論し、文脈的関連性に基づいて各リンクに信頼度スコアを割り当てること。
• 短期的文脈（今ここ）、中期間の物語構造、長期的基盤的概念の3段階からなる階層的認知モデルを構築し、サイクル的かつ固有状態に類似したグラフを形成すること。

実験結果

リサーチクエスチョン

• RQ1 多スケール学習システムにおいて、推論をパターン認識から分離することで、スケーラブルで動的な仮説生成をどのように実現できるか？
• RQ2 時空にインspiredした構造は、異種のデータソースを横断するスケールフリーで文脈依存の推論を可能にする意味的関係を、どのようにモデル化できるか？
• RQ3 再帰的で物語ベースのアプローチは、曖昧さと不確実性を含む現実世界のセンサー情報処理において、決定論的論理や静的オントロジーをどのように凌駆できるか？
• RQ4 認知的システムが、弱く接続された、証拠のない観察から説明的物語を生成し、精錬するためのメカニズムは何か？
• RQ5 分散型センサー入力から導出されたにもかかわらず、出現する意味的構造が、人間が理解可能で検査可能であるための条件は何か？

主な発見

• 提案された時空にインspiredしたモデルは、従来の論理ベースやディープラーニングベースのアプローチと比較して、物語推論の計算複雑性を桁違いに低減した。
• 意味的ネットワークの再帰的解析により、文脈に適応した広大な仮説セットが生成され、文脈的除外による反復的精錬が可能になった。
• ウェブトラフィックの異常に関する事例研究では、名前ベースの意味的リンク（例：映画と寿司店の両方で使われる'ジューアス'）が自動で検出され、接続経路の信頼度が96％で特定された。
• システムは、短期的出来事（例：ウェブトラフィックの急増）から長期的コンセプト（例：映画祭、寿司店）に至る階層的整合性を持つ多段階の物語構造を正常に生成した。
• モデルは、過剰なプリーニングを避けて複数の潜在的経路を保持することで、'ブレインスティング'を支援し、選択の前段階で非自明な関係の探索を可能にした。
• サイクル的かつ固有状態に類似したグラフ構造により、恒久的な概念が出現し、文脈を超えて再利用可能となり、長期的推論の安定したコアを形成した。