一杉裕志
＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊ この業務用個人 web ページの中身およびレイアウトを近々大幅に整理する予定です。 なお、数年後には完全閉鎖予定ですのでご注意ください。 ＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊ 研究テーマ： 脳型汎用人工知能アーキテクチャの研究開発 人間のような知能を持つ機械を実現する最も確実な方法は、脳の動作原理を解明し、それを模倣することです。 私は自ら再帰的に目標を設定する強化学習 RGoal を用いた脳型汎用人工知能(AGI)アーキテクチャの構築を目指しています。 また、計算論的神経科学の分野で知られている大脳皮質に関する知見をヒントにした BESOM と呼ぶ 機械学習アルゴリズムの開発も行っています。 BESOM は複数の機械学習技術 （自己組織化マップ、ベイジアンネット、
大脳皮質とベイジアンネット（29_412.pdf）
412 Vol. 29 No. 5, pp.412 415, 2011 The Cerebral Cortex and Bayesian Networks ∗ ∗ Yuuji Ichisugi∗ ∗ National Institute of Advanced Industrial Science and Technology (AIST) 1. [1] 2. 2 [mm] 1 50 50 2011 3 28 Cerebral Cortex, Bayesian Networks, Computa- tional Neuroscience, Artificial Intelligence ∗ 305–8568 1–1–1 2 ∗Tsukuba–shi, Ibaraki I II III IV V VI 50 m 500 m 2mm I II III IV V VI w1 ) ( = i i
ベイジアンネットワーク－入門から応用まで
Abstract: ( ) ( ) ( ) 1. ( ) 2. (Bayesian network, Bayesnet, belief network) [1, 2, 3, 4, 5] [6, 7, 8, 9, 10] 0 1 1 0 Xi, Xj Xi → Xj Xj Xi X1 X2 X4 X3 X5 X2 0 1 X4 0 0.8 0.4 1 0.2 0.6 条件付確率表 P(X4|X2) P(X3|X1,X2） Ｐａ（Ｘ３） Ｐａ（Ｘ５） Ｐａ（Ｘ４） P(X５|X３,X４） 1: Bayesian network Xj Pa(Xj) Xj Pa(Xj) ( Pa(Xj) ) P(Xj | Pa(Xj)) (1) n X1 · · · , Xn (2) P(X1, · · · , Xn) = n � j=1 P(Xj | Pa(Xj)). (2) 1 1 3 Pa(Xj) = x1
全脳アーキテクチャ解明ロードマップ
「人間のような知能の実現」という大きな目標に大勢で取り組むには、 途中の達成度が判断できるようなわかりやすいロードマップが必要です。 全脳アーキテクチャを拠り所としたアプローチは、 構成要素となる脳の器官がはっきりしているため、 純粋に思弁的に知能を目指すアプローチと比べて、 ロードマップが作りやすいという利点があります。 脳の主要な器官のモデルが不完全ながら出そろっているので、 次は各器官がどう連携するかを解明していくことになります。 取り急ぎ、たたき台として以下ようなロードマップを考えてみました。 私が考える優先度順に並べてみましたが、ある程度は同時並行で取り組める課題だと思います。 教師なし学習・認識（大脳皮質モデル） 階層型強化学習（皮質・大脳基底核連携モデル） 思考・ナビゲーション（皮質・大脳基底核・海馬連携モデル） 言語理解・発話（言語野モデル） 滑らかな運動（皮質・小脳連携モ
大脳皮質と deep learning の類似点と相違点
脳とdeep learning のアーキテクチャには共通の特徴が多くありますが、 脳にはあるのに現在(2012年時点)の deep learning にはない重要な特徴もあります。 その中には deep learning の性能をさらに向上させる 有望なヒントが含まれているのではないかと思います。 そこで、大脳皮質と deep learning の類似点と相違点を簡単にまとめてみました。 特に「脳は上の層ほど発火がスパース」「脳はあまり深くなくむしろ横に広い」 「脳では領野ごとに強い個性がある」といった特徴は、 重要なのではないかと思います。 ◆ 大脳皮質に見られる「深いネットワーク」 大脳皮質の視覚野（腹側経路と背側経路）、聴覚野、体性感覚野、運動野には 「深いネットワーク」の構造が見られる。 これらの領域における主な領野の階層構造を [Felleman and Essen 1991]
脳の情報処理原理の解明状況
AIST07-J00012 http://staff.aist.go.jp/y-ichisugi/j-index.html 2008 3 31 BESOM BESOM 1 1 7 1.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4 . . . . . . . . . . . . . . . . .
PowerPoint Presentation
BESOMを使った言語野モデル の構想 産業技術総合研究所 一杉裕志 2012-12-28 2013-01-08 一部修正 BESOMとは • 大脳皮質の機能を再現することを目指して設 計・実装中の計算論的モデル。 – 特殊なベイジアンネット。 – ノード数 n に対して、１入力の認識・学習に必要 な計算量がほぼ O(n) 。 – ネットワークの構造は非線形ＢＳＳにより自己組 織化。 • 注： BESOM は未完成。 – ただし、ゆっくりと着実に進展中。 目標：このような言語野の計算論 的モデルを作りたい。 • 学習 – データのみから構文規則と意味規則を自己組織化 （教師なし学習）できる。 • 認識 – 並列動作により単語長 n の文を O(n) の時間で理 解できる。 – 係り受けの関係を正しく認識できる。 • 神経科学的妥当性 – BESOM の基本動作を前提とする。 – マクロな構
大脳皮質とチャートパーサの類似性
言語の獲得は、ヒトの知能を劇的に向上させた要因の１つとも言われている。 脳の言語野の機構を解明することは、高い知能を持った機械を実現する上で 避けて通れない重要な研究課題である。 （ベイジアンネットを使った言語野のモデル構築の研究をやってみたい という方はご連絡ください。） 追記： 構想が詳細化したのでこちらもご覧ください。 研究構想説明資料：「BESOMを使った言語野モデルの構想」[ 201212language.pdf ] ◆大脳皮質のブローカー野 ヒトの脳の中にある言語野の１つ、ブローカ野は文法理解に 関係すると言われている。 ブローカー野も大脳皮質の領野の１つであるから、 他の領野と同様に、大脳皮質の認識・学習の基本原理にしたがって 動作しているだろうと推察される。 ブローカー野の構文解析アルゴリズムのモデルの候補として 私が注目しているのがチャートパーサである。 チャートパーサと
確率伝播アルゴリズムとは
確率伝播アルゴリズムとは ー 脳の認識機構と関係が深い「確率伝播アルゴリズム」に ついて、極力分かりやすく解説する ー 2010-02-26 産業技術総合研究所 脳神経情報研究部門 一杉 裕志 内容 • 確率論の基礎知識の復習 • ベイジアンネットとは • 確率伝播アルゴリズム 背景 • ベイジアンネットを用いて大脳皮質の機能を 実現する研究が大きく進展しつつある。しかし 関連論文はベイジアンネットの基礎知識がな いと重要性を理解しずらい。 • ベイジアンネットの基本事項は数学的には実 は難しくない。四則演算しか使わない。 • しかし確率論の独特の記法のため独学には 敷居が高い。本資料ではできるかぎり親切に 説明することを試みる。 確率論の基礎知識の復習 確率論の基礎知識の復習 • 確率変数 X が x という値を取る確率： – 省略した記法： • 確率変数 X の確率分布： • 同時確率
脳を理解するための情報源メモ
脳を理解し BESOM モデルを拡張するために必要な知識の 良質な情報源を、独断で選んで紹介します。 （ 2014-06-04 更新） （2013-02-07: 内容が一部古くなっています。 また、少し敷居を上げ過ぎた感があるので、もう少し絞り込んで整理し直したいと思っています。） ★★★・・・ 必読。脳を理解しようとする人は必ず目を通すべきだと思います。 ★・・・ おすすめ。大変役に立ちます。 * こちらもご覧ください。 「脳を理解するための情報源メモ」更新予定メモ 目次 脳科学全般 機械学習 パターン認識、 自己組織化マップ、 ベイジアンネット、 独立成分分析、 主成分分析、 強化学習、 特徴選択、 正則化、 フレーム、 Deep Learning 認知科学・心理学 遂行機能、 事象関連電位、 アフォーダンス、 選択的注意 神経科学 神経解剖学、 計算論的神経科学 哲学 意識、 自由意
脳とベイジアンネット
ベイジアンネットを用いて大脳皮質の機能を再現するモデルが少しづつ増えています。 ベイジアンネットは大脳皮質の複雑で多様な振る舞いを少ない仮定で計算論的にきれいに説明するだけでなく、アルゴリズムやデータ構造、それらを実現する神経回路にいたるまで、大脳皮質に対する幅広く詳細な説明を与えつつあります。 ベイジアンネットに基づいて脳を理解することは、高い知能を持つロボットの実現に向けたブレークスルーになると考えています。 解説 「脳とベイジアンネットＦＡＱ」 脳とベイジアンネットに関して私がよく聞かれる質問です。 「解説：大脳皮質とベイジアンネット」 日本ロボット学会誌に載せていただいた解説です。（この pdf ファイルは日本ロボット学会の著作物です。） 一杉裕志, 解説：大脳皮質とベイジアンネット、 日本ロボット学会誌 Vol.29 No.5, pp.412--415, 2011. 「脳は計算機
全脳アーキテクチャ解明に向けて
ヒトの脳は大脳皮質、大脳基底核、海馬などの器官から構成される 汎用の機械学習装置です。 この脳全体のアーキテクチャの詳細が解明できれば、 人間のような知能を持ったロボットが実現可能になり、 人類に莫大な利益をもたらすでしょう。 今日ではそれは夢物語ではありません。 脳の各器官の計算論的モデルは不完全ながらすでに出そろっており、 それらがどう連携して脳全体の機能を実現しているのかを、 全力で解明すべき時期に来ています。 しかし、全脳アーキテクチャ解明を目指す研究者は、 その重要性に見合うだけの数がいるとは思えません。 このページでは、解明を目指す研究者が １人でも増えるように、微力ながら情報発信していきます。 ◆NEWS!◆ 2014-05-07 ・汎用人工知能研究会の Web サイトができました。 汎用人工知能と技術的特異点 この中に全脳アーキテクチャ勉強会のページもあります。 全脳アーキ
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
全脳アーキテクチャと大脳皮質モデルBESOMの実用化研究の構想 2015-05-14