ニューラルネットワーク、遺伝的アルゴリズムなど...神話と現実

「データ抽出の問題を解決するための技術的アプローチの比較」という記事の続きで、検索問題の文脈で「人工知能」の概念に関連して最も頻繁に言及される技術を検討します。 このトピックに関する多くの記事がhabrahabr.ruで公開されています。たとえば、 Yandex検索でのニューラルネットワークの使用に関するものです。 。



ロジックの哲学の観点からこのトピックを検討し、適用性の境界と問題を決定し、ニューラルネットワークを使用して機械学習の問題を解決する可能性について少し推測したいと思いますか？



推論の基礎として、次の技術のいずれかを選択できます。 ニューラルネットワークが最も頻繁に言及されているという事実を考慮して、それらを取り上げます。 検索ラインでニューラルネットワークについて何かを入力すると、ニューラルネットワークによって達成される「想像を絶する」成功に関する記事が大量に得られます。 これらは、 スピンハードウェアデバイスなどの新しいハードウェアソリューションのレポートであり、 ワード分析ニューラルネットワークは精神疾患 、「スーパーヒーロー」ビジョン、およびその他の科学の驚異を検出できるという IBMの主張です。 したがって、私たちは現状を簡単に概観しようとします。



まず第一に、「人工知能システム」という一般用語の下で結び付けられた特定の一般的な技術プールを強調したいと思います。 さまざまな程度の信頼性があると考えられます。



1.ニューラルネットワーク

2.遺伝的アルゴリズム

3.確率的プログラミングなどの方法



まったく異なる技術がここに1つのヒープに捨てられているように見える可能性があります。 しかし、この印象は誤解を招きます。明らかな違いがあるにもかかわらず、それらはすべて共通の特徴を持っているからです。



1.トレーニングシステムを想定します。

2.知識ベースの基礎は、分類機能のフレームワーク内のサンプルのセットです。

3.ストリームの1つが所定の信頼しきい値に達するまで、冗長な競合計算の存在を想定します。

4.計算の結果は、通常、事前定義されたリストの前例です。



まったく同じトレーニングは、次の主な機能によって特徴付けられます。

1.分類モデルの形式で定義されたアプリオリ知識の存在

2.分類基準に従って「世界のモデル」を構築するためのサンプルのベースの存在。



上記の各アプローチの際立った特徴を簡単に説明してみましょう。



ニューラルネットワーク

ウィキペディアによると、それへのリンクは許されるかもしれませんが、ニューラルネットワークは「接続され、相互作用する単純なプロセッサ（人工ニューロン）のシステム」です。 いいね ベイジアンネットワーク[1]、リカレントネットワーク[2]など、さまざまな実装オプションがあります。作業の主なモデル：画像のベースは伝達関数であり、オプティマイザーです。



現在最も広く使用されているのは、多層バージョンの限られたボルツマンマシンです。 レイヤリング、つまり XOR問題を克服するには深さが必要です。 さらに、ヒントンが示すように、隠れニューロンのレイヤー数を増やすと、各レイヤーの差が最小の「中間」画像が存在するため、精度が向上します。 この場合、中間層が出口に近いほど、画像の仕様は高くなります。



ニューラルネットワークとこれから生じる学習タスクを作成する主な目的は、着信信号のプロファイルマトリックスを分析する際に中間計算と結論の必要性を取り除くことです。 この目標は、基準プロファイルのベースを作成することによって達成されます。基準プロファイルの各出力は、単一のニューロン（結果のマトリックスのセル）に対応する必要があります。 そのような各ニューロンには、結果の特定の解釈が割り当てられます。



解決される問題の観点とトレーニング自体の観点の両方からの主な問題は、解析に入る入力層の励起ニューロンのマトリックスプロファイルのノイズです。 したがって、主な条件の1つは、高品質のトレーニングサンプルの可用性です。 トレーニングセットの品質が低い場合、強いノイズは多数のエラーにつながります。 ただし、トレーニングサンプルのサイズが大きいと同じ結果になる可能性があります。



ある程度まで、ニューラルネットワークの仕事は、生物の無条件反射の仕事[3]と、それに続くすべての欠点と比較することができます。



このアプローチは、参照画像の明確なアプリオリベースである強いノイズがないタスクに最適です。 主なタスクは、既存の知識ベースから最適な画像を選択することです。 この場合、予測タスクは、既存の履歴を外挿することによってのみ解決されます。新しいエンティティを作成する可能性はありません。 控除が不十分な誘導。



誰かがこれはそうではないと主張するかもしれません。 しかし、上記の考えを却下する前に、「新しいエンティティ」という用語の意味を判断する必要がありますか？ これは、選択したドメインのベクトルクラスの既存の空間のフレームワーク内の別のインスタンスですか、または新しい空間領域の作成ですか？ 以下の記事の1つは、対象ドメインを混合する問題である、比較できないものと比較できないものと比較するというトピックに専念します。



トレーニングの基本原則は誘導です。 誘導は、問題の最初の声明のためだけである場合、困難です—中間計算を取り除きます。 トレーニングは2つの基本原則に基づいているため、誘導に関連するプロセスがトレーニング段階で発生する可能性があるという異議は弱いです。



1.新しいプロファイルの出現とその理解（これはノイズではない）の存在、およびプロファイルが結果と一致するかどうかを判断するための外部の専門家の必要性[1]

2.新しい次元、そして結果としてオブジェクトのクラスを生成するための条件とルールを明確に説明する単純で信頼性の高い数学的装置の欠如。

3.トレース手順自体は、プロファイルと結果の対応の一意性を制御する必要があるとはいえ、一般化して新しいトレースルートを検索するプロセスです。



連想フィールドについての可能な議論は、既存の演ductive的アプローチの単なる拡張であるため、新しいものを追加しません。



遺伝的アルゴリズム

ウィキペディアによると、「遺伝的アルゴリズムは、自然の自然選択に類似したメカニズムを使用して、目的のパラメーターをランダムに選択、組み合わせ、および変更することにより、最適化とモデリングの問題を解決するためのヒューリスティック検索アルゴリズムです」



Panchenko T.V. [4]。、Gladkov L.A.、Kureichik V. In [5]などの著者による多くの作品があります。「遺伝的アプローチ」の基本はここで十分に開示されています 。



遺伝的アルゴリズムの使用に関する多くの興味深い研究があります。 たとえば、Pleshakov I.Yu.、Chuprina S.I. [6]、Ivanov V.K.の記事 Mankina PI [7]、 Habréおよびその他多数の記事 。



遺伝的アルゴリズムの最も重要な利点の1つは、関数の動作に関する情報が必要ないことと、最適化プロセスで生じる可能性のあるギャップのわずかな影響です。 ニューラルネットワークの場合のように、目的関数である「最終」イメージを構築することにより、原因と結果の関係を分析する必要性から逸脱しています。 この意味で、テキスト分析と検索の解決の観点から、遺伝的問題は潜在的セマンティック分析方法と同じまたは非常に類似した問題を解決します。 同時に、セマンティック検索の観点から遺伝的アルゴリズムに敬意を表さなければなりません。テキストのインデックス付けは、潜在セマンティック分析の方法と比較して、はるかに大きな展望があります。



パターン認識の観点から、非常に強力なストレッチで、目的関数を入力ニューロンの層と比較し、出力層のニューロンの信号を最大化する類似物として最大値を期待できます。 ニューラルネットワークの学習効率を高めるために遺伝的アルゴリズムが使用されていると言う方が正しいでしょうが、それでもニューラルネットワークとの競争と見なすことはできません。 タスクは異なります。



一般的な欠点-誘導アルゴリズムの欠如-は完全に存在します。



確率的プログラミング手法

この記事に確率的プログラミング手法を含めることは、ファッションよりも、必要というよりもオマージュです。 今日確率論的プログラミングの方法と誇らしげに呼ばれている確率的方法自体は、長い間知られており、ニューラルネットワークのように、別の離陸を経験しています。 確率的アプローチの良い例は、遺伝的アルゴリズムです。 インターネットには、たとえば「確率的プログラミング-人工知能の鍵？」など、多くの記事があります。 したがって、メソッド自体に専念し、結論に直行することは意味がありません。



確率的プログラミングによって理解されたものの最も正確な定義は、「確率論的モデルの生成と一般化アルゴリズムを使用したデータに基づく統計的推論の実施を表すコンパクトで構成的な方法」です。 これは根本的に新しいものではありませんが、機械学習方法への興味深い追加です。



したがって、今日の「AI」という用語は、組み合わせ論的問題を解決するための技術的（アルゴリズム）アプローチの亜種を意味する可能性が高くなります。 その主なタスクは、「静的に重要な」本質的に規則性の信頼できる分離と、原因と結果の関係の分析なしの、画像オブジェクトの統計に基づく構築です。 主な方向はパターン認識です。 画像は、画像、音、病気の症状の組み合わせなどとして理解できます。



ニューラルネットワークのトレーニングまたは遺伝的アルゴリズムの操作の結果は、特定のマトリックス（ベクトル）の形式で提示される特定のパターンでなければなりません。 もちろん、このマトリックスまたはセットは新しい例のために絶えず調整できますが、これは何が起こっているかの本質に影響を与えません。 いずれにせよ、特定されノイズが除去されたセットは、問題を解決するための一種の「最適な」方法である「疎外可能なロジック」の形で表すことができます。 このような領域の例は、テキストの自動見出しのタスクですが、テキストを既知の見出しに投稿するという観点からではなく、見出しの実際の作成です。 それらの注釈と、さまざまな種類のオントロジーの自動構築。



結論

もちろん、現代数学の誕生は長いプロセスであり、何世紀にもわたって続きます。 しかし、現在の傾向を観察すると、残念な結論はそれ自体を示唆しています：すべてが円を描くように動きます。 古代ギリシャの哲学者は、数学や数式を知らず、画像レベルの概念と「毎日」の概念を操作していました。 これは、より複雑で、最も重要なことには、抽象的な推論を整理するのに十分ではありませんでした。 さらに、数学の主なタスクの1つは、コンパクトで最適なパターンを導出することで計算コストを大幅に削減できるロジックの検索です。 これらすべてが、現代の表記法を備えた今日の数学の創造の推進力となった。 しかし、デカルト、ライプニッツなどの多くの科学者は、16世紀以前にその始まりを見ることができます。



現代の推論と「人工知能」と呼ばれるものの論理は、今日も同じです。 そして、ピタゴラスとユークリッドのスタイルではなく「共通」パターンの検索の同じ原理に基づいているため、今日の状態は根に「リード」します。 AIロジックの適用は、人間の観点からは無条件の反応の領域と呼ばれる可能性のある領域に限定されます。 虎は、観察対象を食べる前に、分析せずに即座に迅速に認識されなければなりません。 これらには、画像を認識し、病気を診断するほとんどのタスクが含まれます。



これらのアルゴリズムは、基本的な原始性のために、新しいロジックの生成を必要とする問題を解決するためにどのように使用するかはまだ不明です。 言い換えれば、因果関係を解決する問題を実際に解決したり、新しい仮説や測定値を生成したりできるシステムの作成です。



誘導可能な数学の誕生はまだ来ていません。AIへの関心の爆発的な成長は、主に新しいアルゴリズムの出現ではなく、計算能力の成長によるものです。 しかし、この成長の結果、それでもポイントに到達し、その後、アプリケーションの分野と初期データの両方で大量のタスクの解決が、分析の複雑さは比較的小さく、経済的に実現可能になりました。 しかし、これはまだ開発の広範なパスです。



上記のすべては、ニューラルネットワークまたは同様の技術の無益さの声明ではありません。 タスクの量とその価値は膨大です。 これは、パターン認識の支援や、データおよび一見取るに足りない詳細の分析におけるさまざまな分野の専門家の支援でもあります。 これの良い例は、診断におけるAIヘルプです。



彼らが言うように、継続する。 以下の記事は、基本的な概念についての「プログラミング」の観点から反映することになっていますが、それなしでは、知的能力を備えた人工知能の誕生は不可能です。 これらには、オントロジー、オブジェクトとそのプロパティ、品質、完全性などの概念が含まれます。 比較できるものとできないもの。 そして、これに一般的に必要なもの。 また、マシンが誘導する能力を持つために必要なものを反映するために...



[1]ベイジアンネットワーク（またはベイジアンネットワーク、ベイジアン信頼ネットワーク、英語ベイジアンネットワーク、信念ネットワーク）は、グラフィカルな確率モデルであり、変数とその確率ベイジアン依存関係のセットです。 たとえば、ベイジアンネットワークを使用して、症状と病気の関係に関するデータに基づいて、多くの症状の有無によって患者が病気である可能性を計算できます。 ベイジアンネットワークの数学的装置は、チューリング賞（2011）の受賞者であるアメリカの科学者ジュード・パールによって作成されました。



[2]リカレントニューラルネットワーク（RNN）-フィードバックがあるニューラルネットワークの一種。 この場合、フィードバックとは、論理的に遠い要素から遠い要素への通信を意味します。 フィードバックの存在により、1つの刺激に対する一連の反応全体を記憶および再現できます。 プログラミングの観点からは、このようなネットワークには周期的実行の類似物が現れ、システムの観点からは、このようなネットワークはステートマシンに相当します。 このような機能は、潜在的に生物学的ニューラルネットワークのモデリングに多くの機会を提供します[ソース？]。 ただし、さまざまなアーキテクチャを構築する可能性とそれらの分析の複雑さのため、現在、ほとんどの可能性はほとんど理解されていません。



[3] Barsky A.B. 「論理ニューラルネットワーク」M .:インターネット情報技術大学、2007年



[4] Panchenko、T。V.遺伝的アルゴリズム[テキスト]：教材/編。 Yu。Yu。Tarasevich。 -アストラハン：出版社「アストラハン大学」、2007年。



[5] Gladkov L. A.、Kureichik V. V.、Kureichik V. M.遺伝的アルゴリズム：トレーニングマニュアル。 -第2版 -M：Fizmatlit、2006。-S.320。-ISBN 5-9221-0510-8。



[6] Pleshakova I.Yu.、Chuprina S.I. 「科学出版物のセマンティック検索の品質を改善するための遺伝的アルゴリズム」 cyberleninka.ru/article/n/geneticheskiy-algoritm-dlya-uluchsheniya-kachestva-semanticheskogo-poiska-po-tekstam-nauchnyh-publikatsiy



[7] Ivanov V.K. そして、Mankin P.I. 「効果的な文書化された主題検索のための遺伝的アルゴリズムの実装」Tver State Technical