[논문 리뷰] Machine Common Sense Concept Paper

David Gunning|arXiv (Cornell University)|2018. 10. 17.

Adversarial Robustness in Machine Learning참고 문헌 14인용 수 34

한 줄 요약

이 논문은 기계적 공통지식을 달성하기 위한 이중 전략적 접근을 제안한다: (1) 아동 인지에 유사한 물체, 능동자, 공간에 대한 직관적 모델을 구축하는 발달 학습 시스템이며, (2) 텍스트와 이미지를 읽어내어 일반지식 질문에 답할 수 있는 웹 스케일 지식 저장소이다. 주요 기여는 경험 기반 학습과 텍스트 기반 학습을 통합하는 프레임워크를 제공하여 AI 시스템이 일반적이고 인간과 유사한 추론을 가능하게 한다.

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.

연구 동기 및 목표

• 현재의 좁은 범위의 AI 시스템에서 공통지식의 부족이 초래하는 추론, 적응, 자연스러운 의사소통 능력의 제한을 해결한다.
• 예측할 수 없는 상황을 이해하고 합리적으로 행동하거나 새로운 경험에서 학습하는 데 방해가 되는 장벽을 극복한다.
• 다양한 영역에서 강력하고 인간과 유사한 추론을 지원하는 일반 목적의 기계적 공통지식 능력을 개발한다.
• 경험 기반 학습(아이처럼)과 독서 및 지식 추출 기반 학습(도서관사처럼)이라는 두 가지 서로 다른 그러나 상호보완적인 길을 제안한다.
• 인간의 직관을 반영하는 방식으로 세계를 이해하고 추론하며 상호작용할 수 있는 미래의 AI 시스템을 위한 기반을 마련한다.

제안 방법

• 환경과의 상호작용을 통해 학습하는 기계적 공통지식 서비스를 개발하여, 직관적 물리학, 의도적인 능동자, 공간 내비게이션의 계산 모델을 구축한다 — 이는 초기 아동기 인지 발달을 모방한다.
• 광범위한 웹 텍스트와 이미지를 수용하고 처리하여 공통지식을 추출하고 조직화해, 질의 가능한 정형화된 저장소로 만든다.
• 자연어 및 비전 모델을 사용해 공통지식 현상의 해석과 색인화를 수행함으로써, 물체 성질, 인과 관계, 공간 추론과 같은 주제에 대한 질의응답을 가능하게 한다.
• 경험 기반 모델과 지식 기반 추론이 상호 보완하고 향상시킬 수 있도록, 두 서비스를 통합된 프레임워크에 통합한다.
• 기존의 기계학습 및 자연어 처리 기법을 활용해 비정형 웹 데이터로부터 지식 추출을 확장하면서도 일관성과 타당성을 확보한다.
• 개방형 학습과 추론을 지원하도록 시스템을 설계하여, 사전에 프로그래밍된 시나리오를 초월해 일반화하고 새로운 상황에 적응할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 어떻게 아동의 인지 발달을 모방하는 경험 기반 학습을 통해 기계적 공통지식을 개발할 수 있는가?
• RQ2 기계에서 직관적 물리학, 의도적인 능동자, 공간 내비게이션의 계산 모델을 구축하는 데 필요한 기술적 접근은 무엇인가?
• RQ3 비정형 텍스트와 이미지에서 유도된 대규모 웹 기반 공통지식 저장소를 효과적으로 구축할 수 있는가? 이는 일상 현상에 대한 추론을 지원할 수 있는가?
• RQ4 경험 기반과 텍스트 기반 공통지식 원천을 통합할 때 발생하는 주요 아키텍처적 및 표현적 과제는 무엇인가?
• RQ5 이러한 시스템은 높은 신뢰성과 일반화 능력을 갖춰 자연어 및 다중모달 질의응답을 공통지식 주제에 대해 지원할 수 있는가?

주요 결과

• 논문은 현재의 AI 시스템이 일반적 공통지식이 부족하여 새로운 또는 모호한 상황에서 추론 능력을 크게 제한받고 있음을 규명한다.
• 경험 기반 학습 시스템은 환경과의 관찰 및 상호작용을 통해 물체, 능동자, 장소에 대한 직관적 모델을 개발할 수 있으며, 이는 아동의 학습 방식과 유사하다.
• 웹 스케일의 독서 기반 접근은 자연어 및 이미지 기반 질문에 답할 수 있는 대규모로 접근 가능한 공통지식 저장소를 구축할 수 있다.
• 경험 기반과 텍스트 기반 접근 방식을 통합함으로써 확장 가능하고 일반 목적의 기계적 공통지식에 도달하는 데 유망한 길이 열린다.
• 공통지식의 부재는 인간 수준의 AI를 달성하는 데 있어 가장 심각한 장벽이며, 이를 해결하기 위해서는 통합된 다중 전략 연구 노력이 필요하다.
• 제안된 이중 서비스 프레임워크는 향후 기계적 공통지식 분야의 연구 및 개발을 위한 체계적이고 확장 가능한 기반을 제공한다.