Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

PBAI

25,847 views

Published on

Published in: Technology

PBAI

  1. 1. 「パターンベース人工知能」とは何か What is Pattern Based Artificial Intelligence (PBAI)? 2013年7月15日版 東京工業大学 長谷川修
  2. 2. 「パターンベース人工知能」とは、 長谷川修研で構築した “SOINN” と呼ぶ 汎用機械学習アルゴリズムを 基盤技術とし、 長谷川が独自に提唱している 新しい学問体系です。
  3. 3. • この新体系は、知能情報学において、 既存の学問分野がカバーしていない領域を 補完するもので、 「知能情報学の統一理論」の構築に不可欠な、 最後のピースです。  シンボルベース人工知能  パターン認識  機械学習理論  ロボティクス +  パターンベース人工知能 知能情報学の 統一理論
  4. 4. 「パターンベース人工知能」を介して関連分野を融合し、 知能情報学の統一理論の構築を進めています。 シンボルベース 人工知能 機械学習 理論 知能情報学の統一理論 パターン 認識 コンピュータ ビジョン ロボティクス パターンベース 人工知能
  5. 5. パターンベース人工知能のポイント • パターンベース人工知能は、他手法に無い、 以下の際立った特長を有しています。 1.プログラムするのではなく、実世界での学習から 多様な知的機能(認識、推論、知識転移等)を発現 2.オンライン学習可能 3.ノイズ耐性を有する 4.多様なデータ(画像、音声、各種センサデータ、テキ スト、制御信号等)を統一的に扱える 5.演算負荷が非常に軽い
  6. 6. SOINNとは? 東工大 長谷川修研で独自開発 コンピュータが 「見て、聞いて、覚えて、考えて、行動する」 ための脳をヒントにした情報処理技術
  7. 7. SOINNのポイント • SOINN はモデル不要 – 一般的な統計手法と異なり、ユーザが事前にモデ ルを決める必要がない。 – 従来法はモデルを決めるので、状況が変化しモデ ルからズレると性能が低下。 – SOINNは常に、状況の変化に合わせ、自らモデル を変化させ、性能を保つ。 – 即ちSOINN は状況の変化に自ら即座に対応する • SOINN にはあらゆる数値データが入力可 – テキストも数値化すれば入力可
  8. 8. SOINNは多様な利用が可能 • アルゴリズムなので、処理言語を問わない。 – C, C++, C#, Java, GP-GPU, Matlab, etc.. • ハードウエアも問わない。 – スマホ、パソコン、スパコン、ロボット、家電、車、etc… • ネットとの相性抜群 – 予報・防災、医療、セキュリティ、マーケティング etc…
  9. 9. SOINN の基本性能 1. IGMM との比較 – IGMM : Infinite Gaussian Mixture Model 2. 国際コンペ “M3-Competition” データを 用いた他手法との性能比較 – 3003 個の時系列データを用いた予測性能比較 – http://forecasters.org/resources/time-series- data/m3-competition/
  10. 10. Estimation of Probability Density Distribution SOINN vs IGMM Infinite Gaussian Mixture Model
  11. 11. SOINN vs Infinite Gaussian mixture model (IGMM) IGMM SOINNInput
  12. 12. SOINN vs Infinite Gaussian mixture model (IGMM) 計算開始直後
  13. 13. Final state
  14. 14. M3-Competition Forecasting Time Series Data SOINN vs Others
  15. 15. M3-Competition : Forecasting Time Series Data
  16. 16. M3-competition データを用いた他手法との性能比較(1) 縦軸は予測誤差 year quart month other 0 0.05 0.1 0.15 0.2 0.25 LOESS+2SOIAM ARARMA AUTO-ANN B-J auto AutoBox1 AutoBox2 AutoBox3 NAIVE2 ROBUST-Trend SINGLE HOLT DAMPEN Category MAPE SOINN
  17. 17. year quart month other 0 0.05 0.1 0.15 0.2 0.25 LOESS+2SOIAM WINTER COMB S-H-D Flors-Pearc1 Flors-Pearc2 PP-Autocast ForecastPro SMARTFCS THETAsm THETA RBF ForcX Category MAPE SOINN M3-competition データを用いた他手法との性能比較(2) 縦軸は予測誤差
  18. 18. Mathematical Background of SOINN 18
  19. 19. SOINN の数理 目標: 1. ノイズを含む任意の確率分布に対する SOINN の近似誤差を、数学的に推定する。 2. 十分な時間経過後に、SOINN が上記の 分布を誤差0で近似可能なことを、数学的に 証明する。 現状: 上記証明を2次元空間において構築中。 詳細は、次ページ以降を参照。 19
  20. 20. Error Estimation Density estimation by SOINN, Mathematical Proof. (途中)
  21. 21. Error Number of SOINN Neurons 予測誤差の 理論的最大値 数値実験結果
  22. 22. “Kernel SOINN” based Estimation of Probability Density Distribution 23
  23. 23. “Kernel SOINN” based Estimation of Probability Density Distribution
  24. 24. ノイズを含む任意の高次元分布を 動的に捉えられるなら… ベイズ統計学の肥沃な世界と、 実世界、電脳世界(ビッグデータ)とを 直結できる! しかもパソコンで高速に!
  25. 25. Bayes Theory + SOINN
  26. 26. Self-Organizing + Online + Multimodal Bayesian Network by SOINN ベイジアンネットへの拡張も進行中
  27. 27. SOINNの未来 • CPUの演算能力は、毎年飛躍的に向上。 • それらは携帯端末や家電、輸送機器、構造物などに 多数組み込まれ、さらにはネットで接続されている。 • SOINNはそうした端末・機器・装置で稼働し、ネットを 通じ、世界中のあらゆる情報から常に学習する。 • SOINN の学習は、個人、企業、自治体など、様々な レベルで進む。 • 学習後のSOINNを共有することで、コンピュータやロ ボットが互いに教え合い、人が教示(プログラム)する 手間を劇的に減らして人類に貢献する。

×