BESOM 研究テーマ案一覧
BESOM は大脳皮質の計算論的モデルを参考にして設計した機械学習アルゴリズムです。 不完全ながら、ようやくある程度は動くようになってきました。 これを使って 人間のような知能（強いＡＩ）の実現を目指す様々な研究ができると思います。 具体的な研究テーマ案をいくつか書いてみました。 ここに挙げたテーマに限らず、人間のような知能を目指す研究をしてみたい研究者の方は、 ご連絡いただければいろいろお手伝いできると思います。 私が考える大きな到達目標については 「全脳アーキテクチャ解明ロードマップ」のページに書きましたが、 このページでは１人で１～３年間で取り組める細かい問題に分解してあります。 注意 BESOM は機械学習アルゴリズムとしてなんとか動くようになってきましたが、 現状はまだまだ不完全で使いにくい技術です。 自分の仕事に使えそうな 「便利なツール」を求めているだけの人には、お勧めできま
BESOM download
BESOM は大脳皮質に関する神経科学的知見を参考にして 設計した機械学習アルゴリズムです。 Deep Learning 、ベイジアンネット、自己組織化マップ、独立成分分析の機構を あわせ持っています。 BESOM 正式版RC(Release Candidate) を公開しました。 詳細な使い方のドキュメントは今後準備していきます。 まずはデモプログラムを動かしてみてください。 私自身は今後はほとんどコーディングできないと思います。 BESOM 本体の改良および、 BESOM を使った人間のような知能を目指す研究をしたい方はご連絡ください。 BESOM を使った研究テーマの案については下記ページをご参照ください。 BESOM 研究テーマ案一覧 ドキュメント 「BESOM Ver.3.0 β版のアルゴリズム」 「プログラミングが容易な簡易ＧＵＩフレームワーク・コンポーネントウエア lab.L
全脳アーキテクチャの見取り図
私が現時点で考える、全脳アーキテクチャの見取り図について取り急ぎ説明します。 「脳の主要な器官の機能とモデル」のページでは 計算論的神経科学の分野において受け入れられている（と私が考えている）モデルを いくつか紹介しました。 このページではより踏み込んで、私が考える推測(speculation)について述べます。 私自身はここで述べる見取り図は全脳アーキテクチャの解明・実現にとって 非常に有用であると考えています。 批判・コメント・質問など歓迎いたします。 脳全体の目的 私は「脳全体の目的は報酬期待値最大化である」という指導原理（作業仮説）に 基づいて脳のリバースエンジニアリングを進めている。 この指導原理は、いまのところ私にとって非常に役立っている。 脳のアーキテクチャの候補を絞り込むのに大変役立つからである。 この指導原理に対しては様々な批判があり得る。 「脳は単一の目的関数の最適化で
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
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
論文リスト
Itsuki Noda "From RoboCup to Application" presentation at GKK Memorial Symposium 2020, Sep., 2020 Abstract One of important research topics of RoboCup is integration technology toward real applications. RoboCup includes several application-oriented leagues like rescue, @home, and industrial, in which the real applications are driving force of technologies and the link from RoboCup researches to th
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]
Deep learning 用語集
deep learning とは、従来よりも多くの層を持ったニューラルネットを用いる 機械学習技術です。 deep learning は、画像認識、音声認識などの分野で、 いろいろなベンチマークで従来技術を超える性能を出しており、 注目を集めています。 私自身も勉強不足ですが 僭越ながら、 deep learning 関連用語について自分の理解で簡単にまとめました。 （挙げてある原論文もちゃんと読んでません！ 間違いがあればぜひご指摘ください。） Deep Learning auto-encoder または RBM などを積み重ねた深い構造を持つ機械学習器。 従来は研究者が手作りしていた特徴抽出器を、 代わりに大量のデータから学習させ自己組織化させるアプローチとも言える。 deep learning を特徴抽出器として使い、 識別器としては最上位層でＳＶＭなどを使うこともある。 deep
[オーガナイズド講演] 確率モデルと集団最適化入門 Introduction to statistical models for populational optimization
次へ: まえがき 索引 [オーガナイズド講演] 確率モデルと集団最適化入門 Introduction to statistical models for populational optimization 赤穂 昭太郎 1 Shotaro Akaho 概要: This paper provides an introductory review of populational search methods based on statistical modelling. We start with a random search algorithm called Markov Chain Monte Carlo (MCMC). To solve an optimization problem, it is crucial for the performance to use specific
ようこそ、化学標準物質の不確かさへのいざない
のような関係にありますが、標準不確かさが大きさの標本の不偏分散 から推定した母標準偏差の推定値で、測定量（物理量）の推定値として大きさの標本の平均値を用いる場合（）には、包含係数はスチューデントの分布の逆関数値に等しくなります。ここでは標本のサンプル数から求められる自由度であり、は危険率あるいは有意水準と呼ばれる値で信頼の水準とはの関係にあります。 ちなみに、危険率すなわち信頼の水準における自由度のスチューデントの値はであり、自由度では、では、ではとなります。したがって、標本のサンプル数がある程度大きくなると、信頼の水準に相当するスチューデントの値は近傍の値となることから、包含係数をと考えても大差がないと言えるでしょう。 このように純粋に統計的な見地から算出される不確かさのことを「Aタイプの不確かさ」と呼び、包含係数の値も純粋に数学的な計算から求められます。これに対して理論や経験などから得
尤度関数と最尤推定量(maximum likelihood estimato
尤度関数と最尤推定値 池に何尾魚がいるかを調べるために、ある日100尾を捕獲し目印を付けてから放し、しばらく間をおいてからまた100尾を捕獲してみたところ、その中に先日目印を付けた魚が10尾見つかりました。このデータから池には何尾の魚がいると推定できるでしょうか。この問題を解くには「超幾何分布」を応用するのがよいと思われますが、そのために、この問題を一般化することにします。すなわち のようにしますと、この標本の確率変数の確率は次のような超幾何分布にしたがって のようになります。この式から池の魚の全数を求めたいわけが、確率の値がわからない限り求まりそうにもありません。そこで、ここから推定をしなければなりません。まず、いま現在わかっているだけの状況を考えると の合計の数だけの魚が池には最低限いることになります。したがって、その数は となります。それでは、この魚の数だけ池にいたとすると、確率はど
ミニマルファブ
ミニマルファブ構想 ミニマルファブとは、集積回路ICを一つ作るのに十分なハーフインチウェハを用いてICを１チップずつ作る、超小型製造装置群からなる最小の集積回路ファクトリーのことです。 ミニマルファブは、(1) １ロット＝１ウェーハ(ハーフインチ径) ＝１チップ、(2) 装置サイズ30cm幅、 (3) クリーンルームを不要とする局所クリーン化生産技術の適用、という３つの特徴を持っています。 装置が30cmですから、工場も10m四方まで縮小してゆきます。 ミニマルファブの優れた点は、ムダを省けることだけではありません。研究と開発と生産を一体化できることにあります。 研究と開発と生産を一体化するためには、研究システムにおいても、工場と同等以上の生産管理機能、 特に生産中の製品品質を保持する高い完成度を持つ搬送システムを構築する必要があります。 私たちは、微粒子とガス分子を製造環境から遮断する局
有限混合分布モデルの学習に関する研究 (Web 版)
次へ: 序 論 有限混合分布モデルの学習に関する研究 (Web 版) 赤穂 昭太郎 2001 年 3 月 15 日学位授与(博士(工学)) 序 論 研究の背景と位置づけ 論文の構成 有限混合分布とその基本的性質 定義 モジュール性 階層ベイズモデルとの関係 パラメトリック性とノンパラメトリック性 RBF ネットワークとの関係 学習における汎化と EM アルゴリズム 最尤推定 汎化と竹内の情報量規準 (TIC) 汎化バイアス 竹内の情報量規準 (TIC) 冗長性と特異性 EM アルゴリズム 一般的な特徴 一般的な定式化 独立なサンプルが与えられた時の混合分布の学習 独立な要素分布の場合 サンプルに重みがある場合 EM アルゴリズムの一般化 EM アルゴリズムの幾何学的解釈 正規混合分布の汎化バイアスの非単調性について はじめに Radial Basis Boltzmann Machine (
Masataka Goto: The Present and Future of CGM: The World Opened up by Hatsune Miku, Nico Nico Douga, and PIAPRO (in Japanese)
後藤 真孝: 初音ミク，ニコニコ動画，ピアプロが切り拓いたCGM現象, 情報処理(情報処理学会誌), Vol.53, No.5, pp.466-471, May 2012. 解説 (特集「CGMの現在と未来: 初音ミク，ニコニコ動画，ピアプロの切り拓いた世界」, 情報処理 Vol.53 No.5 May 2012) ■ twitterハッシュタグ: #cgmgenzaimirai 1. 初音ミク，ニコニコ動画，ピアプロが切り拓いたCGM 現象の先進性 なぜこれほどまでに異なる分野の多くの人々が，そしてさまざまな研究者が，歌声合成ソフトウェアでかつキャラクタでもある「初音ミク」 ☆1 を発端としたCGM（Consumer Generated Media，消費者生成メディア）現象に注目し，議論しているのか．それは，そこに情報処理技術の力で切り拓かれつつある新たな未来があるからである．単に「歌や
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
https://staff.aist.go.jp/tanaka-akira/pub/rubykaigi2006-06-10.pdf
EM アルゴリズム
一般的な定式化
ようこそ、化学標準物質の不確かさへのいざない
早稲田大学「パターン認識」サポートページ
原 史朗 WEB