[論文レビュー] A Systematic Approach to Artificial Agents

Mark Burgin, Gordana Dodig-Crnković|ArXiv.org|Feb 20, 2009

Multi-Agent Systems and Negotiation参考文献 11被引用数 7

ひとこと要約

本論文は、認知的・機能的能力に基づいて人工エージェントを体系的に分類するものであり、推論、学習、自律性のレベルによって区別される階層的フレームワークを提示する。主な貢献は、AIおよびマルチエージェントシステムにおける将来のシステム設計や問題解決応用のための明確なエージェントタイプの分類を可能にする構造的分類法である。

ABSTRACT

Agents and agent systems are becoming more and more important in the development of a variety of fields such as ubiquitous computing, ambient intelligence, autonomous computing, intelligent systems and intelligent robotics. The need for improvement of our basic knowledge on agents is very essential. We take a systematic approach and present extended classification of artificial agents which can be useful for understanding of what artificial agents are and what they can be in the future. The aim of this classification is to give us insights in what kind of agents can be created and what type of problems demand a specific kind of agents for their solution.

研究の動機と目的

• エージェントがユビキタスコンピューティングや知能システムの中心的役割を果たすようになる中で、人工エージェント研究における整合的な理論的基盤の必要性に対応する。
• 認知的および運用的能力に基づいてエージェントタイプを区別する統一された分類システムの欠如を克服する。
• 特定の応用分野に適したエージェントタイプの選定を支援する構造的フレームワークを提供する。
• 反応型、目的指向型、学習型、自律型エージェントなどの異なるエージェントタイプの間の概念的境界を明確にする。
• 特定の問題クラスを解決するのに最も適したエージェントタイプを特定することで、将来の知能システムの開発を支援する。

提案手法

• 認知的および機能的複雑性に基づいて、人工エージェントの階層的分類を提唱する。
• 自律性、推論、学習、適応性のレベルを段階的に高めたエージェントタイプを定義する。
• 情報処理能力および意思決定メカニズムによってエージェントを分類する形式的フレームワークを導入する。
• 動的環境において、知覚、推論、学習、行動の能力に基づいてエージェントを体系的に区別する。
• 数学的論理およびオートマトン理論からの理論的構造を用いて、エージェントの行動と能力をモデル化する。
• 目的指向性、適応性、自己修復行動といった形式的基準を用いて、エージェントタイプの比較・対比の基盤を確立する。

実験結果

リサーチクエスチョン

• RQ1 認知的および機能的能力の観点から、異なるタイプの人工エージェントの根本的な違いは何であるか？
• RQ2 エージェントの体系的分類は、特定の応用分野におけるエージェントの設計および選定をどのように改善できるか？
• RQ3 自律性および知能の向上を定義づける基準は何か？
• RQ4 複雑で動的、あるいは不確実な問題を解くのに最も適したエージェントタイプは何か？
• RQ5 論理およびオートマトン理論からの形式的フレームワークは、人工エージェントのモデル化および分類にどのように応用できるか？

主な発見

• 本論文は、単純な反応型エージェントから高度に自律的で学習能力を持つシステムに至るまで、包括的な人工エージェントの分類を確立した。
• 推論、学習、適応行動に基づいて、明確な能力階層を有するエージェントの異なるクラスを同定した。
• 分類フレームワークにより、エージェントタイプと問題領域との整合性が向上し、システム設計および機能性が向上した。
• フレームワークは、自己認識や長期的計画といった高い認知的能力を持つエージェントが、複雑でオープンエンドな環境において不可欠であることを示した。
• 形式的分類が、AIおよびロボット工学におけるエージェントシステムの理論的理解および実用的展開を強化することを実証した。
• 提案されたシステムは、エージェント指向コンピューティングおよびマルチエージェントシステム工学分野における将来の研究の基盤を提供する。