[論文レビュー] Double Deep Machine Learning.

Moshe Ben-Bassat|arXiv (Cornell University)|Nov 17, 2017

Artificial Intelligence in Healthcare被引用数 1

ひとこと要約

本論文は、データ中心の機械学習と知識ベースの機械的学習を統合することで、非トランザクショナル分野におけるAI推論を向上させるフレームワーク「ダブルディープマシンラーニング」を提案する。人間が学習した知識の機械可読でオープンソースの知識リポジトリ「ReKopedia」を構築することで、AIシステムはパターン認識をはるかに超えた、より深い一般的な推論能力を獲得し、医療や防衛分野における高度な応用が可能になる。

ABSTRACT

Very important breakthroughs in data-centric machine learning algorithms led to impressive performance in transactional point applications such as detecting anger in speech, alerts from a Face Recognition system, or EKG interpretation. Non-transactional applications, e.g. medical diagnosis beyond the EKG results, require AI algorithms that integrate deeper and broader knowledge in their problem-solving capabilities, e.g. integrating knowledge about anatomy and physiology of the heart with EKG results and additional patient findings. Similarly, for military aerial interpretation, where knowledge about enemy doctrines on force composition and spread helps immensely in situation assessment beyond image recognition of individual objects. The Double Deep Learning approach advocates integrating data-centric machine self-learning techniques with machine-teaching techniques to leverage the power of both and overcome their corresponding limitations. To take AI to the next level, it is essential that we rebalance the roles of data and knowledge. Data is important but knowledge- deep and commonsense- are equally important. An initiative is proposed to build Wikipedia for Smart Machines, meaning target readers are not human, but rather smart machines. Named ReKopedia, the goal is to develop methodologies, tools, and automatic algorithms to convert humanity knowledge that we all learn in schools, universities and during our professional life into Reusable Knowledge structures that smart machines can use in their inference algorithms. Ideally, ReKopedia would be an open source shared knowledge repository similar to the well-known shared open source software code repositories. Examples in the article are based on- or inspired by- real-life non-transactional AI systems I deployed over decades of AI career that benefit hundreds of millions of people around the globe.

研究の動機と目的

• 医療診断や軍事状況把握のような非トランザクショナルで複雑な推論タスクにおける、現在のデータ中心のAIの限界を解決すること。
• 深く共通の理解に基づいた知識を学習システムに統合することで、AIにおけるデータと知識の役割を再バランスすること。
• 人間が学習した知識を再利用可能で機械処理可能な知識構造に変換するスケーラブルな手法を開発すること。
• スマートマシン向けの共有型オープンソース知識リポジトリ「ReKopedia」を構築すること。これはオープンソースのコードリポジトリに類似している。
• 解剖学、生理学、軍事戦術理論などの分野固有の知識を組み込むことで、AIシステムが個別のデータポイントを越えて推論できるようにすること。

提案手法

• データ中心の機械学習と機械的学習技術を組み合わせ、モデルの一般化能力と推論能力を向上させること。
• AIシステムがデータだけでなく、医療や戦術ルールなどの構造化された知識入力からも学習できるフレームワークを提案すること。
• 教科書や専門教育から得られる人間の学習知識を、形式的で再利用可能な知識表現に自動変換するアルゴリズムを開発すること。
• 推論に適した機械理解可能な形式で知識がエンコードされた、共有型でオープンソースの知識リポジトリ「ReKopedia」を設計すること。
• 知識構造をAI推論パイプラインに統合し、パターン認識を超えた文脈に即応した説明可能な意思決定を支援すること。
• 医療や防衛分野における実世界のAI導入事例をブループrintとして用い、フレームワークの適用可能性とスケーラビリティを検証すること。

実験結果

リサーチクエスチョン

• RQ1 AIシステムは、医療診断や軍事インテリジェンスのような非トランザクショナル分野で、どのようにより深い推論を達成できるか？
• RQ2 AIモデルにおいて、構造化された共通理解の知識とデータ駆動型学習を統合するメカニズムは何か？
• RQ3 教育や専門的訓練から得られる人間の学習知識を、体系的に機械処理可能な形式に変換する方法は何か？
• RQ4 スマートマシン向けにスケーラブルなオープン知識リポジトリを構築するために必要なアーキテクチャ的および表現的フレームワークは何か？
• RQ5 データ学習と知識教育を組み合わせることで、複雑な現実世界の応用におけるAIのパフォーマンスは、どの程度向上するか？

主な発見

• ダブルディープマシンラーニングにより、AIシステムは医療や防衛のような分野で、孤立したデータパターンを越えて、複雑で文脈に即応した推論を実現できるようになった。
• 心臓解剖学や敵軍の戦術理論といった分野固有の知識の統合により、単なるデータ解釈をはるかに超えた状況把握能力が顕著に向上した。
• ReKopediaは、スマートマシン向けの共有型オープンソース知識リポジトリを実現する実現可能な道筋を提供している。これはソフトウェアのコードリポジトリに類似している。
• フレームワークは、数十年にわたり展開された実世界のAIシステムを通じて実現可能性が裏付けられており、数億人のユーザーに恩恵をもたらしている。
• データ中心の学習と組み合わせた機械的学習技術は、複雑で知識依存的なタスクにおける純粋なデータ駆動型モデルの限界を克服した。
• 推論プロセスに深く共通理解の知識を埋め込むことで、より説明可能で、より頑健で、より一般化可能なAIが実現された。