[論文レビュー] Commonsense Reasoning, Commonsense Knowledge, and The SP Theory of Intelligence

J. Gerard Wolff|arXiv (Cornell University)|Sep 25, 2016

Bayesian Modeling and Causal Inference参考文献 34被引用数 15

ひとこと要約

本論文は、SP多重整合（SP-multiple-alignments）を活用することで、パターン統合、単純化、耐障害的推論を実現する、SP理論（SP Theory of Intelligence）を、実装されたSPコンピュータモデルを用いて、日常的推論（CSR）と日常的知識（CSK）を統合的にモデル化するフレームワークとして提案する。SPシステムは、『ゴッドファーザー』における馬の頭のシーンのような比喩的または感情的な状況を解釈するなど、複雑なCSR課題を、知識の圧縮と文脈に敏感なシームレスな推論により解決できることを示している。

ABSTRACT

This paper describes how the "SP Theory of Intelligence" with the "SP Computer Model", outlined in an Appendix, may throw light on aspects of commonsense reasoning (CSR) and commonsense knowledge (CSK), as discussed in another paper by Ernest Davis and Gary Marcus (DM). In four main sections, the paper describes: 1) The main problems to be solved; 2) Other research on CSR and CSK; 3) Why the SP system may prove useful with CSR and CSK 4) How examples described by DM may be modelled in the SP system. With regard to successes in the automation of CSR described by DM, the SP system's strengths in simplification and integration may promote seamless integration across these areas, and seamless integration of those area with other aspects of intelligence. In considering challenges in the automation of CSR described by DM, the paper describes in detail, with examples of SP-multiple-alignments. how the SP system may model processes of interpretation and reasoning arising from the horse's head scene in "The Godfather" film. A solution is presented to the 'long tail' problem described by DM. The SP system has some potentially useful things to say about several of DM's objectives for research in CSR and CSK.

研究の動機と目的

• 人工知能における日常的推論と知識の自動化の持続的困難、特に現実的で文脈依存的な状況における課題を解決すること。
• 現在のAIの能力を超えて、物語的または感情的な文脈における複雑で直感的な推論を、SPシステムがどのようにモデル化できるかを示すこと。
• 情報圧縮とパターン整合を介して、推論、知識表現、学習を統合する包括的フレームワークを提供すること。
• 多様で低頻度の日常的状況において、スケーラブルで文脈に敏感な推論を可能にするために、CSRにおける「長い尾（long tail）」問題を解消すること。
• SPシステムにおける教師なし学習が、外部の監視や強化なしに、生の入力から効果的な文法や知識構造を生成できることを示すこと。

提案手法

• SP多重整合を用いて、複数の知識パターンを統合・圧縮し、多様な分野にわたり耐障害的かつ単純化された推論を可能にする。
• ヒューリスティック探索を用いて、高品質なパターンマッチングを維持しつつ、全探索を避ける形で、良いSP多重整合を段階的に構築する。
• 教師なし学習を用いて、生の入力データからSP文法を導出し、新規SPパターンの一致・不一致部分から旧SPパターンを形成する。
• 文の表現を新規SPパターンとしてエンコードし、既存の旧SPパターン（文法的・意味的構造を表す）と整合させることで、自然言語理解と推論をモデル化する。
• SPパターンを用いて、句読点、意味的、構造的情報を複数の抽象レベルにわたり、一般的で柔軟な形式で知識を表現する。
• 情報圧縮を統合的原則として用いる：パターンの集合が整合によってどれほど圧縮できるかが、その推論や知識構造の意味的・一貫性のある程度を示す。

実験結果

リサーチクエスチョン

• RQ1 SPシステムは、『ゴッドファーザー』における馬の頭のシーンのような、複雑で文脈に満ちた状況における日常的推論を、どのようにモデル化できるか？
• RQ2 SPシステムは、希少または低頻度の推論が自動化が難しい「長い尾（long tail）」問題を、効果的に扱えるか？
• RQ3 SP多重整合は、統一されたフレームワークにおいて、推論、知識表現、学習のシームレスな統合をどの程度可能にするか？
• RQ4 SPシステムの教師なし学習メカニズムは、非構造的入力から有用な文法や知識構造をどのように生成するか？
• RQ5 SPシステムの情報圧縮とパターン整合のアプローチは、既存のAI手法と比較して、CSRおよびCSKのより耐障害的かつスケーラブルな基盤を提供できるか？

主な発見

• SPシステムは、SP多重整合を用いて、『ゴッドファーザー』における馬の頭のシーンの象徴的行為の背後にある脅しの意図を推論することで、そのシーンの解釈を成功裏にモデル化し、文脈的・感情的推論を示している。
• SPシステムは、多様で低頻度の日常的パターンを圧縮することで、スケーラブルで文脈に敏感な推論を可能にするため、「長い尾（long tail）」問題の解決策を提供している。
• SP多重整合により、推論、知識表現、学習のシームレスな統合が可能となり、AI分野の亀裂を軽減している。
• システムの教師なし学習メカニズムは、外部の監視や強化なしに、生の入力から効果的なSP文法を生成し、構造化された知識を形成できる。
• SPシステムの情報圧縮のアプローチにより、複雑な言語的・概念的パターンの経済的符号化が可能となり、耐障害的かつ一般化可能な推論を支援している。
• このフレームワークは、パターン整合と圧縮という単一の統一的原則の下で、自然言語処理、パターン認識、計画など、広範な認知的機能をサポートしている。