意識の論理。 パート5.情報分析へのセマンティックアプローチ

誰もが知っているチューリングテストでは、機械が考えているかどうか、会話中の人と区別できるかどうかを理解することができると言われています。 それは些細な話ではなく、実際には、あらゆる方法で車を行き止まりにしようとする中毒との尋問であることは理解されています。 何を確認しますか？ 一つだけ-マシンは私たちが尋ねている質問の本質を理解していますか。 彼女は単に正式に言葉を操作しようとしていますか、それとも会話の初期段階で得た知識、または一般に人々に一般的に知られている知識を使用して、言葉の意味を正しく解釈できますか？



おそらくテスト中、車に尋ねることは特に面白くない：クリコヴォの戦いはいつだったか。 たとえば、彼女が言うことについてはもっと面白いです。なぜバッテリーが消耗しているリモコンのボタンを強く押すのですか？



人間の思考とほとんどのコンピューターアルゴリズムの違いは、意味の理解の問題に関連しています。 原則として、プログラムが入力情報をどのように認識して解釈するかを決定する、かなり厳格な規則がコンピュータープログラムに置かれます。 一方で、これはプログラムとのコミュニケーションの自由を制限しますが、他方では、不明瞭な文の不正確な解釈に関連するエラーを回避するのに役立ちます。



グローバルに、意味を送信する問題は、人から人へ、または人からコンピュータへ、またはコンピュータ間で、このように見えます：メッセージをより明確かつ明確に送信したいほど、送信側と受信側で使用される用語の一貫性により高い要件が課せられます。



プログラムをどのコンピューターでも同じように実行したい場合、すべてのコマンドを明確に解釈するための条件を作成します。 数式を書くとき、それらの解釈は対話者の欲求に依存しません。 相互理解を達成するために科学を追求するために、可能であれば、共通言語の言葉ではなく、明確に定義された科学用語を使用します。



明確な数学的およびアルゴリズム的アプローチは、自然言語のファジーセマンティクスと比較して、より高いレベルの情報表現であると感じることがあります。 しかし同時に、複雑な思考が詳細かつ数学的に厳密に書かれているが、その本質が自然言語で簡潔に比fig的に説明されると、複雑な思考を理解するのがはるかに簡単になるという事実にしばしば遭遇します。



次に、ファジーセマンティック記述の背後にあるものと、チューリングテストに合格するためにコンピューターを動かす価値がある方向を示します。

暗号化と意味

暗号化の分野の例を考えてみましょう。 暗号化されたメッセージのストリームがあるとします。 暗号化アルゴリズムは、暗号化メカニズムとキーによって決定される規則に従って、元のメッセージの文字を同じアルファベットの他の文字に置き換えることに基づいています。 アラン・チューリングは似たようなものを扱っており、ドイツのエニグマのコードを壊していました 。











文字を置き換えるためのルールは、キーによって完全に決定されると仮定します。 キーの有限セットがあり、各キーの置換ルールが各文字に一意の対応関係があるように設定されているとします。 次に、メッセージを復号化するには、すべてのキーをソートし、逆変換を適用し、復号化オプションに意味のあるものがあるかどうかを理解する必要があります。



意味を判断するには、デコードされたメッセージに含まれる可能性のある単語を含む辞書が必要です。 メッセージの語が辞書の語と一致する形式をとるとすぐに、正しいキーが見つかり、復号化されたメッセージを受信したと言えます。



キーの選択を高速化するには、検証プロセスを並列化する必要があります。 理想的には、さまざまなキーと同数の並列プロセッサを使用できます。 プロセッサ間でキーを配布し、各プロセッサで独自のキーを使用してデコードを実行します。 次に、各プロセッサーで、結果の意味を確認します。 1回のパスで、使用されているコードに関するすべての可能な仮説をチェックし、メッセージの解読に最適な仮説を見つけることができます。



意味を確認するには、各プロセッサがメッセージ内の可能性のある単語の辞書にアクセスできる必要があります。 別のオプション-各プロセッサは辞書の独自のコピーを持ち、検証のためにそれを参照する必要があります。



それでは、タスクをもっと面白くしましょう。 最初は、最初の語彙を構成するいくつかの単語しか知らないとします。 さらに、すべてのキーとトランスコーディングルールを知っています。 その後、メッセージフローで、知っている単語が少なくとも1つあるメッセージのキーのみを取得できます。



解読されたいくつかのメッセージの正しいコードを見つけると、以前は未知だった他の単語の正しいスペルを取得します。 これらの単語を使用して、正しい答えを見つけたプロセッサの辞書を補充できます。 さらに、新しい単語は他のすべてのプロセッサに転送され、ローカルの辞書を補充できます。 経験を積むにつれて、完全な辞書と100％に近い解読パフォーマンスが得られるまで、メッセージの割合を増やします。



複数のキーが、エンコードされたメッセージ内の辞書の単語をすぐに表示する場合、状況は可能です。 この場合、そのようなメッセージは暗号化されていないことを考慮して無視するか、辞書の単語に最も一致するキーを選択します。 意味のある単語が偶発的に発生する可能性もあります。そのような単語が復号化されたテキストで繰り返し発生する場合、新しい単語に「おそらく」記号を入力し、「確認済み」記号に変更する必要があります。

結果として得られる単純な暗号化システムは、本質的に私たちが通常意味と呼ぶものに近い「意味」の概念を導入し、それを操作できるアルゴリズムを提供できるという点で興味深いです。



特定のキーで得られたデコード結果は、このキーのコンテキストでのソースエンコードされたテキストの解釈または解釈と呼ばれます。 暗号の意味を決定するアルゴリズムは、考えられるすべてのコード解釈の検証と、以前の解釈の経験をすべて保存するメモリの観点から最も妥当と思われるコードの選択です。

情報の意味

暗号問題に導入された意味の解釈とその決定のためのアルゴリズムは、離散要素で構成される任意の情報メッセージのより一般的な場合に拡張できます。



「概念」という用語を導入します-c（概念）。 合計N個の概念が利用可能であると想定しています。 利用可能なすべての概念のセットが辞書を形成します





一連の概念は、長さkの情報メッセージと呼ばれます。 、ここでi j∈C



メッセージは、 I ^int （解釈）の解釈に関連付けることができると想定しています。 メッセージの解釈は、セットCの概念で構成される情報メッセージでもあります。



解釈を取得する規則を紹介します。 解釈は、元​​のメッセージの各概念を他の概念またはそれ自体で置き換えることによって得られると想定しています。 この場合、メッセージの最初の概念は、解釈などの最初の概念に入ります。

解釈中にどのような置換が実行されるかには、特定のシステムがあり、一般的な場合には私たちには知られていないと仮定します。



「被験者」Sの概念を紹介します。被験者については、彼の記憶、つまり個人的な経験を、彼が知っている解釈された情報のセットとして定義します。 解釈のあるコンパートメント内の情報は、ペアとして記録できます





その後、メモリはそのようなすべてのペアのセットとして書き込むことができます





各メッセージが正しい解釈を提供する準備ができている教師がいるとします。 教員の能力を活用して、初等教育段階を実施します。 教師によって与えられたメッセージと解釈を、「メッセージ-解釈」タイプのペアとして記憶します。



教師と形成された記憶に基づいて、概念とその解釈の比較でシステムを見つけようとすることができます。 私たちができる最も簡単なことは、メモリに保存されているすべての可能な解釈を各概念について収集し、概念の可能な値の範囲を取得することです。 特定の解釈の使用頻度は、適切な解釈の確率の推定値を与えることができます。



しかし、実際に比較してシステムを見つけるには、合理的な方法でクラスタリングの問題を解決し、クラス内で同じ概念がどのように解釈されるかの基準に従ってmiオブジェクトをクラスに分割する必要があります。 同じクラス内のすべてのオブジェクトに、それらに含まれる概念の解釈の同じルールが適用されることを確認しようとします。 つまり、特定のクラスに割り当てられた1つのメモリについて、特定の概念が特定の解釈に渡されると、このクラスの他のすべてのメモリでも同じ解釈になります。



進行中のクラスタリングの機能に注意してください。 記憶間の距離は、元の記述または得られた解釈の類似性によってではなく、元の記述から解釈を得るために類似した規則がどのように使用されたかによって計算されます。 つまり、クラスで結ばれているのは互いに似ているように見えるメモリではなく、それらに含まれる概念の解釈の一般的なルールが一般的であることが判明したメモリです。



このようなクラスタリングの結果として取得されたクラスを「コンテキスト」-Contextと呼びます。



サブジェクトSのすべてのコンテキストのセットは、コンテキストスペースを形成します

{コンテキスト_i | i = 1 ... N _{コンテキスト} }。



iコンテキストごとに、概念解釈ルールのセットを指定できます





コンテキストのルールのセットは、コンテキストに固有のすべての変換を記述する「初期概念-解釈」のペアのセットです。



主要なトレーニング段階を完了した後、新しい情報を解釈するアルゴリズムを導入できます。 メモリMからメモリM ^intを選択します。これは解釈のみで構成されます





解釈と解釈記憶の一貫性の尺度を紹介します。 最も単純な場合、これは解釈とメモリ要素の一致の数、つまり、そのような解釈が解釈メモリで正確に何回発生するかです。





ここで、新しい情報Iについて、変換コンテキストR _jを初期情報に適用することにより、各コンテキストContext _jの解釈I _j ^intを取得できます。 さらに、結果の解釈ごとに、解釈メモリとの整合性を判断することができます





1つのコンテキストの計算スキームを次の図に示します。







1つのコンテキストモジュールの計算スキーム



jのコンテキストで情報を解釈する確率を導入します





その結果、K個の可能なコンテキストのそれぞれにおける情報Iの解釈と、この解釈の確率を取得します。





すべての確率がゼロに等しい場合、情報は対象によって理解されず、対象にとって意味がないと述べます。 ゼロ以外の確率がある場合、対応する解釈が情報の可能な意味のセットを形成します。



特定のサブジェクトの情報の1つの主要な解釈を決定する場合、最大の確率値を持つコンテキストを使用できます。



原則として、情報には1つではなく、いくつかの意味が含まれます。 ゼロ以外の確率で主要な解釈とは異なる解釈をとると、追加の意味を区別できます。 しかし、この手順には落とし穴があります。 選択する際には、コンテキストの相関関係を考慮する必要があります。 後でこれをより詳細に検討します。



その結果、「意味」の概念は次のように説明できます。 特定の主題に関する特定の情報の意味は、これらの解釈と主題の記憶の対応に関して最も成功している解釈のセットであり、さまざまなコンテキストでの情報の分析の結果として得られ、この主題の経験に基づいて構築されます。



意味の定義に関連する計算の一般的なスキームは、並行して動作するコンテキストコンピューティングモジュールのセットとして表すことができます（下図を参照）。 各モジュールは、変換ルールのシステムに従って初期記述を解釈します。 すべてのモジュールのメモリの内容は同じです。 記憶との比較は、解釈と経験の解釈の評価を提供します。 解釈の確率に基づいて、特定の意味の選択が行われます。 この手順は、情報の基本的な意味解釈が使い果たされるまで繰り返されます。





Kコンテキストを持つシステムで意味の1つを決定するための計算スキーム



情報の意味が決まったら、新しい経験で記憶を補うことができます。 この新しいエクスペリエンスを使用して、後続の情報の解釈を決定し、コンテキストと変換ルールのスペースを明確にすることができます。 したがって、初等教育の別の段階を選択するのではなく、単に経験を蓄積しながら、意味を分離する能力を向上させることができます。



説明したアプローチは、情報とその意味を結び付けており、いくつかの重要なポイントが含まれています。

• このアプローチが適用可能な情報の説明は、離散（名義）概念から構築されます。 これは、特定のコンテキストで概念とその解釈を比較するイデオロギーによって決定されます。
  
  
• 経験により、コンテキストのスペースとこれらのコンテキストの解釈ルールを作成できます。 したがって、意味は、特定の経験が存在する場合にのみ対象によって決定されます。
  
  
• 異なる被験者の経験は異なる可能性があるため、同じ情報を認識した結果として得られる意味も異なる場合があります。
  
  
• 情報は、受信者が特定の意味を持つ可能性を最大にするような方法で、送信者が特別に準備することができます。
  
  
• 知覚対象に関係なく、情報に意味が含まれていると言う価値はありません。 意味は、被験者が実行した情報の「測定」の結果です。 特定の主題の意味を決定する瞬間まで、情報には、これらの解釈の確率がゼロではないすべてのコンテキストでの解釈がすぐに含まれます。 各「次元」により、考えられる意味の1つを確認できます。 ところで、この点は、量子系の状態と測定の瞬間のコペンハーゲンの解釈を繰り返しています。
  
  

ブルートフォース問題

説明されている感覚決定アルゴリズムは、列挙の問題としても知られているクラスPとNPの同等性の問題に非常に密接に関連しています。 列挙の非網羅的な問題は、次のように説明できます：質問があり、この質問に対する答えがあり、この答えの正確性を（多項式時間で）すばやく確認できる場合、この質問に対する正しい答えを見つけるのは同じくらい早く（多項式時間で、多項式メモリを使用して） ）



たとえば、素数のテーブル、特定の数、および特定の素数のセットがその数の分解であるというステートメントがあるとします。 このステートメントを検証するには、提案されたセットから素数を乗算し、数が得られるかどうかを確認するだけで十分です。 しかし、この数を素因数に分解したいだけの場合、すべての素因数を反復処理する必要があります。 元の数の長さが増加すると、列挙する必要がある素数の数は指数関数的に増加します。 したがって、列挙に基づくソリューションは、条件の複雑さの線形増加に関して指数関数的に複雑であることがわかります。 クラスPとNPの等価性の問題は、入力データの多項式時間とメモリの複雑さでそれらを解決できる列挙に基づくこの問題やその他の複雑な問題のアルゴリズムがあるかどうかの問題です。 「困難な」問題を「単純な」問題に減らすことができる場合、クラスは同等です。



今日、階級の平等の問題は開かれていますが、ほとんどの数学者はこれらの階級がまだ平等ではないと信じています。 すべての公開鍵暗号化アルゴリズムの作業は、検証は簡単だが見つけにくいものがあるという事実に基づいているため、ほとんどの数学者によると、暗号化は信頼できるということです。



私たちの場合、いくつかの説明の正しい解釈が与えられたときに、一連の概念、これらの概念で構成される説明、およびいくつかの学習経験があります。

トレーニングデータに基づいて、可能な解釈のスペクトルをコンパイルできます。 つまり、それぞれの概念について、それがどの解釈を採用したかを見て、それに対する他の解釈はないと仮定します。



これで、何らかの説明を解釈することができます。 膨大な経験があり、使用するメモリには、あらゆる説明に対して可能なすべての正しい解釈があると仮定します。 次に、説明に含まれる概念に受け入れられる解釈のスペクトルから、考えられるすべてのジョイントの組み合わせを構成し、それらのいずれかがメモリの内容に似ているかどうかを確認することができます。 私たちの記憶は膨大なので、確かに偶然の一致があります（もちろん、元のフレーズが正しい場合を除きます）。 それが唯一のものである場合、これは初期記述の正しい解釈になります。



ソートする必要がある組み合わせの数は、元の説明のすべての概念のスペクトルの次元の積に等しくなります。 たとえば、10の概念の説明と、各概念の10の可能な解釈については、100億のオプションがあります。 記述の長さと解釈の数が増加し、指数関数的に成長すると、いわゆる組み合わせ爆発が発生します。



ある言語から別の言語への翻訳と大まかな類似性を描くことができます。 テキストとその翻訳のサンプルを使用して、各単語がその可能な翻訳のスペクトルを別の言語にコンパイルすることが可能です。 条件付きで正しい翻訳のバージョン（単語自体の翻訳以外は考慮しません）は、個々の単語の可能な翻訳のスペクトルで構成される組み合わせの1つです。 実際の言語の場合、ほとんどの場合、数億、数兆、またはそれ以上の組み合わせが得られます。 この場合、すべての正しいオファーのデータベースが必要です。 彼女のサイズを想像できます。



文脈的アプローチにより、解釈システムのパターンを識別することで計算を大幅に簡素化できます。 概念とその解釈を比較するための一般的な規則がある場合、正しい解釈例を観察することで、これらの規則を強調することができます。 コンテキストと呼ばれる一般的なルールの範囲。 入力情報の可能な解釈に関する仮説をテストするには、コンテキストで発生する解釈のみをチェックするだけで十分です。



必要なコンテキストの数は、入力情報の性質と、取得したい意味を理解する精度によって決まります。 実際の問題では、組み合わせの総数が何桁も大きくなる可能性があるという事実にもかかわらず、百万を超えるコンテキストはほとんど常に、良い結果を得るのに十分ではありません。



翻訳を例に続けると、文脈的アプローチにより、多くの単語の翻訳が互いに一貫するセマンティックコンテキストの固定数を選択できることが示唆されます。 たとえば、テキストが科学的な性質のものであると判断できる場合、1つを除く実質的にすべての変形が、多くの単語の考えられる解釈の範囲を残します。 他のトピックでも同様です。



翻訳内のどのコンテキストが、フレーズの解釈がより可能性が高いと思われるコンテキストによって優先されるべきかを決定することが可能です。 このような単語のセットを含むフレーズがこのコンテキストで検出される頻度に基づいて含める。 説明した内容では、実際の翻訳システムで使用されている方法と多くの共通点を見ることができますが、これは驚くことではありません。

フレーム

説明されているコンテキストセマンティックモデルは、多くの点で、Marvin Minsky（「知識を表現するためのフレームワーク」、Marvin Minsky） によるフレームの概念と同じ問題を解決します。 モデルが直面する共通の課題は、必然的に同様の実装につながります。 フレームを記述するために、ミンスキーは「マイクロワールド」という用語を使用し、その下で記述、ルール、およびアクションに一定の一貫性がある状況を理解します。 このようなマイクロワールドは、定義のコンテキストと比較できます。メモリから最も成功したフレームの選択と実際の状況への適応も、意味を決定する手順と大部分比較できます。



フレームを使用して視覚シーンを記述する場合、フレームは異なる「視点」として扱われます。さらに、異なるフレームには共通の端子があり、フレーム間で情報を調整できます。これは、異なるコンテキストで解釈規則が異なるソース記述を同じ解釈記述に導く方法に対応します。



プログラミングで一般的であり、フレーム理論に直接関連するオブジェクト指向アプローチは、同じインターフェイスが異なるタイプのオブジェクトに適用されたときに異なるアクションを引き起こす場合、ポリモーフィズムの概念を使用します。これは、適切なコンテキストで情報を解釈するという考えに十分に近いものです。



同じ質問に答える必要性に関連するアプローチの類似性にもかかわらず、文脈-意味論的メカニズムはフレーム理論とは大きく異なり、後で見られるように、それに限定されません。



コンテキストセマンティックアプローチの特徴は、脳が遭遇し操作するあらゆる種類の情報に等しく適用できることです。実際の脳の皮質のさまざまな領域は、内部組織の観点から非常に似ています。これにより、すべて同じ情報処理原理を使用していると思われます。意味の割り当てに関連するアプローチが、そのような単一の原則の役割を主張する可能性が非常に高いです。セマンティックメカニズムを使用するという考え方の基本を示すために、いくつかのピマーを使用してみましょう。

意味情報

フレーズを構成する単語は、ストーリーの全体的なコンテキストに応じて異なる解釈が可能です。ただし、各単語について、他の単語で説明されている一連の意味を構成することは可能です。同じ単語の異なる解釈が依存するものに従うなら、解釈の主題分野を区別できます。そのような領域内では、多くの単語には、分野のテーマによって定義された明確な意味があります。このようなテーマ領域のセットがコンテキストスペースです。コンテキストは、ストーリーテリングの時間、数、性別、主題領域、主題などに関連付けることができます。



ある言語から別の言語に翻訳するときに、フレーズの各単語の可能な解釈の選択に関連する同様の状況が発生します。単語の可能な翻訳オプションは、この単語の可能な意味の範囲を明確に示します（以下の図）。



翻訳中に発生する可能性のある解釈の範囲の例



フレーズの意味の定義は、このような文脈の選択と、この意味を理解しようとしている人の経験に基づいて、もっともらしい文を作成する単語のそのような解釈の取得です。



異なるコンテキストで同じフレーズが異なる解釈を作成する場合もありますが、同時に、これらの解釈は以前の経験に基づいて受け入れられます。タスクがそのようなフレーズの一意の意味を決定することである場合は、メモリと一致する解釈が高い解釈を選択し、それに応じて計算される確率を選択できます。フレーズが元々曖昧であると編集された場合、それぞれの意味を別々に知覚し、フレーズの著者が自発的または非自発的にそれらを1つのステートメントに結合することができたという事実を述べることが適切です。



自然言語は、意味を表現および伝達するための強力なツールです。ただし、この力は、知覚対象の経験に応じて、解釈の曖昧さとその確率論的な性質のために達成されます。ほとんどの日常的な状況では、これは簡潔でかなり正確な意味の伝達に十分です。



伝達された意味がかなり複雑である場合、たとえば科学的または法的問題を議論する場合など、非常に頻繁に発生するため、特別な用語の使用に切り替えることは理にかなっています。用語への移行は、対談者が言葉の用語を対談者によって平等に解釈するような調整された文脈の対談者による選択です。このようなコンテキストが両方の対話者にアクセス可能になるには、それぞれが適切な経験を必要とします。同じ理解のために、経験は同様である必要があり、これは適切なトレーニングを通じて達成されます。



自然言語の場合は、説明の完全な一致だけでなく、説明の類似性にも基づいて、コンテキストとメモリの一貫性の尺度を使用できます。その後、より多くの可能な意味が利用可能になり、フレーズの追加の解釈の可能性が表示されます。たとえば、この方法では、エラーや内部矛盾を含むフレーズを正しく解釈できます。比fig的に、または比ur的に話した。



意味を決定する際に、物語の一般的な文脈を考慮するのは簡単です。そのため、フレーズを異なるコンテキストで解釈できる場合、以前のフレーズでアクティブだったコンテキストを優先し、一般的なコンテキストを設定する必要があります。フレーズがメインのナラティブとは異なるコンテキストでのみ解釈できる場合、これはナラティブを別のトピックに切り替えると見なすべきです。

音声情報

アナログオーディオ信号は簡単に離散形式に変換されます。これを行うには、連続信号がサンプリング周波数で行われた測定に置き換えられたときに、最初に時間サンプリングが実行されます。次に、振幅量子化が実行されます。この場合、信号レベルは最も近い量子化レベルの番号に置き換えられます。



得られた信号記録を時間間隔に分割し、それぞれについてフーリエ変換を実行できます。その結果、音響信号は一連のスペクトル測定の形式で記録されます（下図）。









音声信号の例タイムベーススペクトルは、



N個のタイムスロットの期間とリング識別子を導入_T。すなわち、まず数N _Tは、 1からNの範囲で_T。 N _{T + 1}間隔、再び₁に番号を付けます。その結果、N _T間隔ごとに同じ数値を取得します。



フーリエ変換にN _F個の周波数間隔が含まれていると仮定します。これは、各スペクトル測定にN _Fの複素数値が含まれることを意味します。各複素値をその振幅と位相で置き換え、量子化します。 N _Aの量子化レベルの振幅、N _Pの位相レベル。



N _T時間間隔の範囲内で、スペクトル記録の各要素は、時間間隔コード、周波数値、振幅値、位相値の組み合わせで記述できます。Cの概念のセットを実行して、リング識別子の周期で指定された間隔内の音を記述することができます。これは、すべての可能な組み合わせがあろう





そのような概念があろう総





従って、概念のセットCは、 N元素含有





Nを超えない任意の音声信号_Tのタイムスロットは、このような概念の転送を介して情報のように書くことができます。

ここで、i _J ∈C



これらの同じ概念を使用して、任意の解釈を書き留めることができます。



音声信号のスペクトルを記録した写真を見ると、これらの音の概念はそれぞれ、特定の座標と明るさを持つ点です。まだフェーズがありますが、画像には表示されません。すべての可能な色（振幅）を持つすべてのポイントのセットがあるので、もちろん、どんな絵でも描くことができます。



音像の認識には、現在の音をメモリに保存されているものに関して変換できるという条件で、同じ音像の認識が必要です。主な音の変化は、音量の変化、音のキーの変化、音のテンポの変化、音の始まりの変化です。



これらの変換は次のものに対応します。

• 振幅の変化。
  
  
• 周波数オフセット;
  
  
• 時間スケールの線形変化。
  
  
• タイムラインシフト。
  
  

変換の可能な組み合わせをカバーするコンテキスト空間を紹介します。コンテキストごとに、移行ルールを作成できます。つまり、対応する変換のコンテキストで元の各概念がどのように見えるかを記述できます。たとえば、周波数を1つ上の位置に変更するコンテキストでは、すべての概念は、それらを1つ下の位置にシフトする解釈を受け取ります。1 kHzの純粋な音は、音が100 Hzだけ上にシフトするという点で、900 Hzの音と同じです。他のタイプの変換でも同様です。



異なるコンテキストで概念を移行するための規則を説明した後、変換に関係なく同じ音像を認識することが可能になります。発話の瞬間、音量、ピッチ、および音声の速度は、現在の情報をメモリに保存されている情報と比較する機能に影響しません。現在の音は、あらゆる可能な状況でさまざまな解釈に変換されます。目的の変換に対応するコンテキストでは、説明は、以前に聞いたものを簡単に認識できる解釈になります。



実際には、たとえば音声などの複雑な信号を処理する場合、1つの処理ステップでは実行できないことが判明しています。最初は、単純な音素の選択を制限することをお勧めします。コンテキストには、上記の基本音の変換規則が含まれます。次に、音素で構成される説明を書きます。この場合、音素は音の形だけでなく、その高さ、一時的な位置、発音速度も識別するかなり複雑な要素になります。次に、音素で構成される情報は、コンテキストの新しいスペースで後続の処理を受けることができます。



コンテキストは複雑な場合があり、単純な変換に限定されません。この場合、適切なコンテキストの定義そのものが追加情報を作成します。たとえば、音声のコンテキストは、さまざまなイントネーションと言語アクセントです。イントネーションとアクセントのコンテキストにより、認識の精度が向上するだけでなく、フレーズの言い方に関する追加の知識を得ることができます。

視覚情報

画像を操作する最も簡単な方法を検討してください。色が設定されているポイントで構成されるビットマップがあるとします。画像を白黒に変換し、ドットの輝度値のみを残します。画像の輪郭を選択してみましょう（たとえば、Cannyアルゴリズム（JOHN CANNY、エッジ検出への計算的アプローチ）を使用します（以下の図））。













境界線を選択した結果



次に、画像を小さな正方形の領域に分割します。境界線が通る各小さな領域では、この線は直線セグメントで近似できます。方向N _Oの量子化数を設定し、対応する方向を決定します。これで、各正方形に境界線が含まれている場合、境界線の方向に最も近い方向番号を指定できます。より複雑で、したがって、より正確な説明を入力できますが、たとえば、このような単純化されたモデルを使用します。



領域に画像を分割し、メッシュサイズと仮定し、N _X Nと_Y。考えられるすべての組み合わせに対応する概念を含む概念Cのセットを紹介します





このような概念は考え





したがって、画像の情報については、関連する概念彼の転送に低減することができ

、私は_J ∈C



今、私たちは不変の認識画像の問題に興味を持っています。不変性を達成したい一連の変換を考えてみましょう。最も一般的な変換プラクティス：

• 水平シフト;
  
  
• 垂直シフト;
  
  
• ターン;
  
  
• 一般的なズーム;
  
  
• Xストレッチ/圧縮;
  
  
• Y引張/圧縮
  
  

これらの変換は、空間的な変位と回転中に平面図の投影がどのように変化するかに対応するため、最も興味深いものです。



次に、コンテキストスペースを作成します。これを行うには、変換のパラメーターを量子化します。つまり、それらを離散値に分割します。そして、これらのパラメーターの可能な組み合わせが発生する限り多くのコンテキストを作成します。



コンテキストごとに、概念を変換するためのルールを説明できます。したがって、垂直線は90度回転すると水平になり、（0,0）の垂直線は（10,0）の垂直線になり、10ポジションの水平シフトなどが行われます。



変換の規則を定義した後、1つの画像を一度表示して記憶するだけで、変換された形式で画像を表示して、画像と変換のタイプの両方を決定で​​きます。各コンテキストは、説明をこのコンテキストの特徴である解釈に変換します。つまり、説明の幾何学的変換を実行し、それをメモリと比較して照合します。このようなチェックがすべてのコンテキストで並行して実行される場合、1クロックサイクルでソース情報の意味を見つけることができます。この場合、画像が認識されていれば、それが私たちに馴染みがあり、現在の変換が決定されます。



説明した変換に限定することはできません。たとえば、「シートの曲げ」などの変換を使用できます。ただし、変換の量を増やすと、コンテキストの数が指数関数的に増加します。実際には、説明した方法を使用して画像を処理するタスクにより、非常に強力な最適化が可能になり、リアルタイムの計算が可能になります。このようなアイデアに基づいていますが、より高度なアルゴリズムについては後で詳しく説明します。



説明したアプローチの主なアイデアは、オブジェクトの不変表現を取得するために、さまざまな角度からこのオブジェクトを表示する長期トレーニングを行う必要がないということです。この世界の特徴であり、すべてのオブジェクトに共通する基本的な幾何学的変換のルールをシステムに教える方がはるかに効果的です。



部分的に説明されたアプローチは、確立された畳み込みネットワークで実装されています（福島、1980）（Y. LeCunおよびY. Bengio、1995）。畳み込みネットワークでせん断不変性を取得するために、目的の画像を記述する畳み込みカーネルがすべての可能な水平および垂直位置に適用されます。最も正確な一致を決定するために、この手順を使い慣れたすべてのネットワークイメージに対して繰り返します（以下の図）。本質的に、このアルゴリズムはアプリオリに「配線」された水平および垂直シフトの変換ルールの知識を宣言します。この知識を使用して、彼は単純な人工ニューロンの層によって実現される可能なコンテキストの空間を形成します。異なるカーネルの最大畳み込み一致の定義は、私たちが説明した意味の定義に似ています。









, (Fukushima K., 2013)

解釈とメモリの対応関数は、この解釈に対応するコンテキストの実装の確率を決定するのに役立ちます。 脳が実際の状況で意味を選択する方法によって、マッチングアルゴリズムは非常に複雑になる可能性があり、1つの単純な式に還元されないことが想定されます。



前に、例として、記述の完全一致に基づく「ハード」対応関数を示しました。 記憶の解釈のために





マッチ機能





Qの記述の比較の尺度を紹介します。正確な一致に基づく尺度を書くことができます。





通信機能は次の形式を取ります。





正確な一致に基づく対応により、少なくとも1つのコンテキストで既にメモリに保存されている解釈がある場合にのみ意味を決定できます。 しかし、正確な一致がない場合でも、説明を解釈するのに最も適切なコンテキストを見つけることが適切である状況を想像できます。 この場合、説明のより厳密でない比較を使用できます。 たとえば、2つの説明に共通する概念の数に基づいて、説明の類似性の尺度を入力できます。



先ほど、ビットマップをブルームフィルターに追加することで、記述をエンコードする可能性について説明しました（Bloom、1970）。 辞書Cの各概念に、k単位を含む長さmの放電バイナリコードを関連付けます。







次に、 n個の概念で構成されるIの各記述を、記述に含まれる概念のコードの論理的加算から取得したバイナリ配列Bに関連付けることができます。





2つの記述の類似性は、それらのバイナリ表現の類似性によって判断できます。 私たちの場合、それらのスカラー積に基づく類似性の尺度が適切であると思われます。



2つのバイナリ配列のスカラー積は、これらの2つの配列で一致したユニットの数を示します。 バイナリ記述の単位がランダムに一致する可能性は常にあります。 Mのランダムに一致するユニットの数の予想は、バイナリコードの長さ、1つの概念をエンコードするユニットの数、および説明内の概念の数に依存します。 ランダム成分を取り除くために、類似性の尺度は、ランダム期待値によって調整できます。





そのような指標は負の値を取ることができますが、それ自体は意味がありません。 ただし、すべてのメモリ要素に近接度を追加すると、ランダムな正の外れ値が補正されます。 次に、対応関数を書くことができます





コレスポンデンス関数の「ソフトな」割り当てにより、モデルは特定のコンテキストの確率の統計的推定に向かって移動し、ベイズ法、隠れマルコフモデル、ファジーロジック法と比較できます。



「ハード」アプローチと「ソフト」アプローチにはプラスとマイナスの両方があります。 ソフトアプローチを使用すると、メモリ内に明確な類似物がない情報の結果を取得できます。 これには、説明自体に不正確またはエラーが含まれる場合があります。 そのような場合、優先コンテキストを決定したら、最も類似した正しい回想を解釈として使用できます。



さらに、メモリに保存されている説明に情報ノイズと見なされる重要でない詳細が含まれている場合、ソフト比較の結果が得られます。 ただし、厳しいアプローチは根本的に良い結果をもたらすことができます。 ほとんどの場合、「外部」の類似性に基づいたテンプレートの解釈よりも、まれではあるが説明の解釈に適している方がはるかに望ましいです。



別の、おそらく、最も興味深いアプローチは、すべての説明のセットで、一部の説明に共通する特定のエンティティの原因となる要因が事前に選択されている場合に可能です。 次に、因子のポートレートとのソフトまたはハード比較として、コレスポンデンス関数を作成できます。 このアプローチは、他の記述によってノイズの多い情報の背景に対して要因の存在を一意にまたは特定の確率で判断できるという点で優れています。



あらゆる種類の適合性評価を使用した複合アプローチは妥当と思われます。 最も重要なのは、意味の定義が自己完結型の操作ではないことです。 意味の正しい定義は、被験者の思考と行動に関連する後続の情報操作の基礎として機能します。 後で示されるように、行動と思考のアルゴリズムは、状況に最も適切な精神的な動きと行動行為の形成を可能にする強化学習メカニズムによって決定されます。 意味の定義があったとしても、最良の結果は、対応関数を計算するための厳密に定義された戦略ではなく、以前の評価の成功経験に基づいて計算関数を最適化する強化付きトレーニングに基づく計算であると想定できます。



次のパートでは、実際の脳が意味とどのように機能するかを示し、パターン波モデル、ホログラフィックメモリの使用方法、および皮質のミニコラムの役割を理解して、生体ニューロンで実現されるコンテキストの空間がどのように見えるかを説明します。



アレクセイ・レドズボフ



意識の論理。 エントリー

意識の論理。 パート1.セルオートマトンの波

意識の論理。 パート2.樹状波

意識の論理。 パート3.セルオートマトンのホログラフィックメモリ

意識の論理。 パート4。脳記憶の秘密

意識の論理。 パート5.情報分析へのセマンティックアプローチ

意識の論理。 パート6.意味を計算するためのスペースとしての皮質

意識の論理。 パート7.コンテキスト空間の自己組織化

意識の論理。 「指で」説明

意識の論理。 パート8.大脳皮質の空間マップ

意識の論理。 パート9.人工ニューラルネットワークと実際の皮質のミニコラム

意識の論理。 パート10.一般化のタスク

意識の論理。 パート11.視覚および音声情報の自然なコーディング

意識の論理。 パート12.パターンを検索します。 組み合わせ空間