[論文レビュー] Machine Common Sense Concept Paper

David Gunning|arXiv (Cornell University)|Oct 17, 2018

Adversarial Robustness in Machine Learning参考文献 14被引用数 34

ひとこと要約

本稿では、機械的日常的常識を達成するための二重戦略アプローチを提案する：(1) 子ども認知に類似した物体、エージェント、空間の直感的モデルを構築する発達的学習システム、および (2) テキストと画像を読み取ることで得られるスケールの大きな知識リポジトリであり、日常的常識の質問に答えることを目的とする。主な貢献は、経験的学習とテキスト的学習を統合するフレームワークを提示し、AIシステムに一般的で人間らしい推論を可能にすることにある。

ABSTRACT

This paper summarizes some of the technical background, research ideas, and possible development strategies for achieving machine common sense. Machine common sense has long been a critical-but-missing component of Artificial Intelligence (AI). Recent advances in machine learning have resulted in new AI capabilities, but in all of these applications, machine reasoning is narrow and highly specialized. Developers must carefully train or program systems for every situation. General commonsense reasoning remains elusive. The absence of common sense prevents intelligent systems from understanding their world, behaving reasonably in unforeseen situations, communicating naturally with people, and learning from new experiences. Its absence is perhaps the most significant barrier between the narrowly focused AI applications we have today and the more general, human-like AI systems we would like to build in the future. Machine common sense remains a broad, potentially unbounded problem in AI. There are a wide range of strategies that could be employed to make progress on this difficult challenge. This paper discusses two diverse strategies for focusing development on two different machine commonsense services: (1) a service that learns from experience, like a child, to construct computational models that mimic the core domains of child cognition for objects (intuitive physics), agents (intentional actors), and places (spatial navigation); and (2) service that learns from reading the Web, like a research librarian, to construct a commonsense knowledge repository capable of answering natural language and image-based questions about commonsense phenomena.

研究の動機と目的

• 現在の狭義のAIシステムに見られる日常的常識の欠如という深刻な問題に対処し、推論能力、適応能力、自然なコミュニケーション能力の制限を克服する。
• 予期しない状況を理解できず、合理的に行動できず、新しい経験から学べないという障壁を乗り越える。
• 多様な分野にわたり、強固で人間らしい推論を可能にする、汎用的な機械的日常的常識能力を開発する。
• 経験に基づく学習（子どものように）と、読解と知識抽出に基づく学習（図書館員のように）という、二つの明確に異なるが補完的な道筋を提案する。
• 将来的なAIシステムが、人間の直感に類似した方法で世界を理解し、推論し、相互作用できる基盤を構築する。

提案手法

• 環境との相互作用から学ぶ機械的日常的常識サービスを開発し、直感的物理学、意図的エージェント、空間ナビゲーションの計算モデルを構築する。これは、乳児期の認知発達に類似している。
• 膨大な量のウェブテキストと画像を受容・処理し、日常的常識知識を構造化し、クエリ可能なリポジトリに整理する第二のサービスを実装する。
• 自然言語およびビジョンモデルを用いて日常的常識現象を解釈・インデックス化し、物体の性質、因果関係、空間的推論といったトピックに関する質疑応答を可能にする。
• 経験に基づくモデルと知識に基づく推論が互いに補い合うように、両サービスを統合した統一フレームワークを構築する。
• 既存の機械学習および自然言語処理技術を活用し、非構造化ウェブデータからの知識抽出をスケーリングしながら、一貫性と妥当性を保証する。
• 開かれた学習と推論をサポートするようにシステムを設計し、事前にプログラムされたシナリオを超えて一般化でき、新しい状況に適応可能にする。

実験結果

リサーチクエスチョン

• RQ1 子ども認知の発達に類似した経験に基づく学習によって、どのように機械的日常的常識を発展させることができるか？
• RQ2 機械が直感的物理学、意図的エージェント、空間ナビゲーションの計算モデルを構築するために、どのような技術的手法が必要か？
• RQ3 非構造化テキストと画像から得られる大規模なウェブベースの日常的常識知識リポジトリを、日常現象の推論を支援するために効果的に構築できるか？
• RQ4 経験的およびテキスト的ソースの日常的常識を統合する際の、主なアーキテクチャ的および表現的課題は何か？
• RQ5 このようなシステムは、信頼性が高く一般化可能な能力を備えており、日常的常識トピックに関する自然言語およびマルチモーダルな質疑応答をどのようにサポートできるか？

主な発見

• 本稿は、現在のAIシステムが一般的な日常的常識を欠いていること、これが新しい状況や曖昧な状況での推論能力に深刻な制限をもたらしていることを確立している。
• 経験的学習システムは、環境との観察と相互作用を通じて、子どもが学ぶのと同様に、物体、エージェント、場所の直感的モデルを発展させることができる。
• ウェブスケールの読解により、自然言語および画像ベースの質問に答えることのできる、大規模でアクセス可能な日常的常識知識リポジトリを構築できる。
• 経験に基づくアプローチとテキストに基づくアプローチを統合することで、スケーラブルで汎用的な機械的日常的常識への道筋が明確に示された。
• 日常的常識の欠如は、人間水準のAIを達成する上で最大の障壁であり、これを克服するには統合的で多様な戦略的アプローチの研究が不可欠である。
• 提案された二重サービスフレームワークは、将来的な機械的日常的常識分野における研究開発のための構造的で拡張可能な基盤を提供する。