トレンド | 今後 10 年間の機械学習研究のホットスポット

人工知能が注目されています。

技術革新は経済成長の根本的な原動力です。これらの技術の中で最も重要なのは、蒸気機関、内燃機関、電気など、経済学者が言及する「一般技術」です。この時代において、人工知能は最も重要な「総合技術」です。特に、産業と人工知能の組み合わせは、産業の潜在能力を解き放ち、私たちの生活を変えました。

人工知能の待望の革命的な進歩の原動力は、実は「機械学習」です。

機械学習は、実際には、コンピュータサイエンス、確率統計、関数近似理論、最適化理論、制御理論、意思決定理論、アルゴリズム複雑性理論、実験科学などの分野を含む、複数の分野にまたがる学際的な科目です。したがって、機械学習にはさまざまな定義があり、それぞれが関連分野の観点に基づいています。しかし、一般的に、それが焦点を当てる中心的な問題は、計算方法を使用して人間のような学習行動をシミュレートする方法、つまり過去の経験からルール（またはモデル）を取得し、それを新しい同様のシナリオに適用する方法です。

では、機械学習について話すとき、私たちは何について話しているのでしょうか? 実践者はどのような最先端技術を習得する必要があるのでしょうか? 将来期待できる技術トレンドは何でしょうか?

最先端の機械学習技術を学ぼう

近年、多くの新しい機械学習技術が広く注目を集め、実用的な問題に対する効果的な解決策を提供してきました。ここでは、ディープラーニング、強化学習、敵対的学習、二重学習、転移学習、分散学習、メタ学習について簡単に紹介します。

ディープラーニング

従来の機械学習手法とは異なり、ディープラーニングはエンドツーエンドの学習手法です。多層非線形ニューラル ネットワークに基づくディープラーニングは、生データから直接学習し、特徴を自動的に抽出して層ごとに抽象化し、最終的に回帰、分類、並べ替えなどの目的を達成できます。ディープラーニングの推進により、コンピュータービジョン、音声処理、自然言語の分野で飛躍的な進歩が遂げられ、人間のレベルに到達、あるいはそれを上回っています。ディープラーニングの成功は、主にビッグデータ、ビッグモデル、ビッグコンピューティングという 3 つの主要な要因によるものです。したがって、これら 3 つの方向が現在の研究のホットスポットとなっています。

過去数十年にわたり、さまざまなディープ ニューラル ネットワーク構造が提案されてきました。たとえば、畳み込みニューラル ネットワークは、画像分類、オブジェクト認識、画像セグメンテーション、ビデオ分析などのコンピューター ビジョンで広く使用されています。リカレント ニューラル ネットワークは可変長のシーケンス データを処理でき、自然言語理解、音声処理などで広く使用されています。エンコーダー デコーダー モデルはディープラーニングの一般的なフレームワークであり、一般的な機械翻訳、テキスト要約、画像キャプション作成の問題など、主に画像またはシーケンス生成に使用されます。

強化学習

2016年3月、ディープマインドが深層畳み込みニューラルネットワークと強化学習に基づいて設計したAlphaGoは、トッププロ囲碁プレイヤーのイ・セドルを4対1で破り、ハンディキャップに頼らずにプロ囲碁プレイヤー9段を破った初のコンピュータプログラムとなった。このコンテストは AI の歴史において画期的な出来事となり、機械学習の分野で強化学習が注目の研究分野となりました。

強化学習は機械学習のサブフィールドであり、動的なシステムや環境でインテリジェントエージェントが試行錯誤しながら学習し、システムや環境とのやりとりから得られる報酬を通じてエージェントの行動を導き、累積報酬や長期的なリターンを最大化する方法を研究します。この問題は一般性が高いため、ゲーム理論、制御理論、オペレーションズ・リサーチ、情報理論、マルチエージェントシステム、群知能、統計、遺伝的アルゴリズムなど、他の多くの分野でも研究されています。

転移学習

転移学習の目的は、他のタスク (ソース タスクと呼ばれる) 用にトレーニングされたモデルを新しい学習タスク (ターゲット タスクと呼ばれる) に転送し、新しいタスクがトレーニング サンプルの不足などの技術的な課題を解決できるようにすることです。これが可能なのは、多くの学習タスクが関連しているため（たとえば、それらはすべて画像認識タスクである）、1 つのタスクから要約された知識（モデル パラメーター）が別のタスクの解決に役立つためです。転移学習は現在、機械学習の研究のホットスポットの 1 つであり、まだ開発の余地が大きく残されています。

敵対的学習

従来の深層生成モデルには潜在的な問題があります。確率尤度を最大化するため、モデルは極端なデータを生成する傾向があり、生成効果に影響を与えます。敵対的学習では、敵対的動作（敵対的サンプルや敵対的モデルの生成など）を使用して、モデルの安定性を高め、データ生成の有効性を向上させます。近年、敵対的学習の考え方を教師なし学習に応用した敵対的生成ネットワーク（GAN）が、画像、音声、テキストなどの分野に応用され、教師なし学習の重要な技術の一つとなっています。

デュアルラーニング

デュアルラーニングは新しい学習パラダイムです。その基本的な考え方は、機械学習タスク間の二重の特性を利用して、より効果的なフィードバック/正規化を取得し、学習プロセスをガイドおよび強化し、大規模な手動でラベル付けされたデータに対するディープラーニングの依存を減らすことです。デュアルラーニングの考え方は、機械翻訳、画像スタイルの転送、質問への回答と生成、画像の分類と生成、テキストの分類と生成、画像からテキスト、テキストから画像など、機械学習の多くの問題に適用されてきました。

分散学習

分散技術は機械学習技術の加速器であり、機械学習のトレーニング効率を大幅に向上させ、その適用範囲をさらに拡大することができます。 「分散」と「機械学習」が出会うとき、マルチマシン並列化やシリアルアルゴリズムの基礎となる実装技術に限定されるべきではありません。むしろ、機械学習を完全に理解した上で、分散と機械学習をより密接に組み合わせるべきです。

メタ学習

メタ学習は近年の機械学習分野における新たな研究のホットスポットです。文字通り言えば、メタ学習とは、特定の学習タスクを完了するだけではなく、学習自体を理解して適応することに重点を置いて、学習方法を学ぶことです。つまり、メタ学習者は自身の学習方法を評価し、特定の学習タスクに応じて学習方法を調整できる必要があります。

トレンドを見る: 機械学習の未来を把握する

機械学習は大きな進歩を遂げ、多くの実用的な問題を解決しましたが、客観的に言えば、機械学習の分野には依然として大きな課題が残っています。

まず、主流の機械学習技術はブラックボックス技術であり、隠れた危機を予測することは不可能です。この問題を解決するには、機械学習を説明可能かつ介入可能にする必要があります。第二に、現在主流の機械学習の計算コストは​​非常に高く、軽量な機械学習アルゴリズムを発明する必要性が急務となっています。さらに、物理学、化学、生物学、社会科学では、現象の背後にある深遠な法則を説明するために、単純で美しい方程式（シュレーディンガー方程式のような 2 次偏微分方程式など）がよく使用されます。では、機械学習の分野でも、シンプルで美しいルールを追求できるのでしょうか？まだまだ課題は多いですが、私たちはこの分野の今後の発展に自信に満ちています。以下では、今後 10 年間で注目される研究分野をいくつか紹介します。

説明可能な機械学習

ディープラーニングに代表されるさまざまな機械学習技術が勢いを増し、目覚ましい成功を収めています。現在、機械と人間は多くの複雑な認知タスクにおいて同等のパフォーマンスを発揮しています。しかし、このモデルがなぜ、どのように機能するかを説明する研究はまだ非常に初期段階にあります。

説明すべきこと: 相関関係と因果関係の論理の間のギャップ。

ほとんどの機械学習技術、特に統計ベースの機械学習技術は、学習したデータの相関関係に基づく確率的予測と分析に大きく依存しています。対照的に、人間の合理的な意思決定は、現実的で明確な事実上の原因と論理的に正しいルールから導き出される、明確で信頼できる因果関係に大きく依存します。データの相関関係を使用して問題を解決することから、データ間の因果関係のロジックを使用して問題を説明および解決することへの移行は、説明可能な機械学習が達成する必要がある中核的なタスクの 1 つです。

なぜ説明が必要なのか: 自分が何を知っているかを知ることと、自分が何を知らないかを知ることが真の知識です。

機械学習モデルは、履歴データに基づいて分析と意思決定を行います。しかし、常識が欠如しているため、歴史上一度も起こったことのない、あるいは稀な出来事に直面した場合、機械は人間にはほとんど不可能な低レベルのミスを犯す可能性が非常に高くなります。統計的正確性では、意思決定のリスクを効果的に特徴付けることはできません。場合によっては、一見正しい確率的選択の背後にある理由が事実に反していることがあります。医療、原子力産業、航空宇宙など、制御可能性が主な考慮事項となる分野では、データ決定の背後にある事実上の根拠を理解することが、機械学習を適用するための前提条件となります。これらの分野では、説明可能性は信頼性と信頼性を意味します。

説明可能な機械学習は、機械学習技術を人間社会に深く統合する唯一の方法です。説明可能な機械学習の需要は、単に技術の進歩を求めるだけではなく、法律や規制など、さまざまな非技術的要素を考慮することも含まれます。 2018年に発効したEUの一般データ保護規則（GDPR）では、オンラインローン申請を自動的に拒否するなど、個人に関する決定を機械で下す場合、その決定は説明可能性に関する一定の要件を満たす必要があることが明確に規定されています。

産業界や社会において説明可能な機械学習が緊急に必要とされていることに加え、行動を説明したいという動機も人間の脳に備わった能力であり、要求事項でもあります。認知神経科学の先駆者であるマイケル・S・ガザニガは、分離脳患者の研究で次のような観察と結論を下し、現代の認知科学に大きな影響を与えました。「私たちの脳は、無意識のうちに（決定に対する）説明や出来事の理由を求める。」

誰が誰に説明するか: 人間中心の機械学習のアップグレード。

誰に説明するかという問題は比較的明確です。つまり、人々に説明するのです。対象者に応じて、機械学習の専門家だけが理解できる説明もあれば、一般の人が理解できる説明も含まれます。

では、誰が説明するのでしょうか? 理想的には、機械が説明します。質問に答えながら、機械が答えの背後にある論理的推論プロセスを提供します。しかし、多くの機械学習技術の動作原理には限界があるため、機械が自ら答えて説明することが常に可能であるとは限りません。多くの機械学習アルゴリズムでは、「データが入ってくると、モデルが出てくる」というものです。ほとんどの場合、モデルの最終的な結論と入力データとの因果関係は追跡不可能になり、モデルは「魔法の」ブラックボックスになります。

機械が自ら回答し、説明する効果的なソリューションがない段階では、人間によるレビューと回答プロセスのバックトラッキングをサポートするソリューションによって、ある程度の説明可能性を提供できます。この時点で、機械学習システム内の各サブモジュールの動作メカニズムの説明可能性が特に重要になります。大規模な機械学習システムの場合、全体的な解釈可能性は、個々のコンポーネントの解釈可能性に大きく依存します。現在の機械学習から説明可能な機械学習への進化は、あらゆる側面を包含する体系的なプロジェクトとなり、現在の機械学習を理論からアルゴリズム、そしてシステム実装へと包括的に変革し、アップグレードする必要があります。

説明可能性の度合い: 実用性から始まり、無限に終わります。

当然のことながら、アプリケーション シナリオが異なれば、機械学習の解釈可能性に対する要件も異なります。時には、「高尚で人気のない」専門的な説明で十分な場合もあります。特に、その説明が技術的な安全性のレビューにのみ使用される場合はそうです。一方、説明可能性が人間とコンピューターの相互作用の一部である場合は、「おばあさんでも理解できる」一般的な答えが非常に必要になります。いかなる技術も一定の範囲と程度でしか機能しませんが、機械学習の解釈可能性についても同様です。説明可能な機械学習は実用性の必要性から始まり、最終的には継続的な改善の終わりのないプロセスになりました。

軽量機械学習とエッジコンピューティング

エッジ コンピューティングとは、ネットワーク エッジ ノードでデータを処理および分析することを指します。エッジ ノードとは、データ ソースとクラウド コンピューティング センターの間にあるコンピューティング リソースとネットワーク リソースを備えたノードを指します。たとえば、携帯電話は人とクラウド コンピューティング センターの間のエッジ ノードであり、ゲートウェイはスマート ホームとクラウド コンピューティング センターの間のエッジ ノードです。理想的な環境では、エッジ コンピューティングとは、データ生成元の近くでデータを分析および処理し、データの流れを減らして、ネットワーク トラフィックと応答時間を削減することを指します。モノのインターネットの台頭とモバイル シナリオにおける人工知能の広範な応用により、機械学習とエッジ コンピューティングの組み合わせが特に重要になっています。

組み込み機械学習のこのパラダイムにおいて、エッジ コンピューティングが重要な役割を果たすのはなぜでしょうか?

1. データ転送帯域幅とタスク応答遅延: モバイル シナリオでは、機械学習タスクのトレーニングには大量のデータが必要であり、応答遅延も短くする必要があります。自動運転を例にとると、比較的大きな遅延は事故のリスクを大幅に高める可能性があるため、エッジでモデル推論を実行するにはカスタマイズされた車載コンピューティング デバイスが必要です。さらに、多数のデバイスが同じネットワークに接続されると、実効帯域幅も減少するため、エッジ コンピューティングを使用すると、通信チャネル上のデバイス間の競合を効果的に減らすことができます。

2. セキュリティ: エッジ コンピューティングのエッジ デバイスは、収集された機密データのセキュリティを確保できます。同時に、エッジ コンピューティングはインテリジェント エッジ デバイスを分散化し、ネットワーク全体に影響を及ぼす DDoS 攻撃のリスクを軽減できます。

3. カスタマイズされた学習タスク: エッジ コンピューティングにより、さまざまなエッジ デバイスが、直面するさまざまな種類のオブジェクトに合わせてカスタマイズされた学習タスクとモデルを採用できるようになります。例えば、セキュリティ分野の画像認識タスクでは、異なるエリアのビデオデバイスで観測された画像情報が大きく異なる可能性があります。そのため、1つのディープラーニングモデルのみをトレーニングしても目的を達成できない可能性があり、クラウド上で複数のモデルを同時にホストすることも非常にコストがかかります。より効果的なソリューションは、クラウドでシナリオごとに異なるモデルをトレーニングし、トレーニング済みのモデルを対応するエッジ デバイスに送信することです。

4. マルチエージェントコラボレーション: エッジデバイスは、マルチエージェントシナリオを同時にモデル化して、マルチエージェントコラボレーション用の強化学習モデルのトレーニングにも役立ちます。

では、機械学習モデル、特に複雑なディープラーニング モデルをエッジ コンピューティング フレームワークに組み込む際の課題は何でしょうか?

1. パラメータ効率の高いニューラル ネットワーク: ニューラル ネットワークの注目すべき特徴はパラメータ サイズが大きいことですが、エッジ デバイスでは大規模なニューラル ネットワークを処理できないことがよくあります。このため、研究者はモデルの精度を維持しながらニューラル ネットワークのサイズを最小限に抑えるようになりました。現在一般的に使用されているアプローチは、畳み込み層を圧縮および拡張することでフィルターの数を減らし、それによってパラメータ効率を最適化することです。

2. ニューラル ネットワークの剪定: ニューラル ネットワークのトレーニング プロセス中に、大規模なトレーニングを行った後でもモデルの最終結果が改善されないニューロンがいくつかあります。この場合、そのようなニューロンを刈り込むことでモデルスペースを節約できます。

3. 精度制御: ほとんどのニューラル ネットワーク パラメータは 32 ビットの浮動小数点数です。エッジ デバイスは 8 ビット以下の浮動小数点数で設計できるため、精度を下げることでモデル サイズを大幅に削減できます。

4. モデル蒸留: モデル蒸留のプロセスは、トレーニング済みの複雑なニューラル ネットワークの機能を、より単純な構造のニューラル ネットワークに転送することです。この方法は転移学習の発展と組み合わせることで、精度をあまり損なうことなくモデルの複雑さをより効果的に削減できます。

5. 最適化されたマイクロプロセッサ: もう一つの方向性は、ニューラル ネットワークの学習および推論機能をエッジ デバイスのマイクロプロセッサに組み込むことです。このタイプの AI チップが示す可能性も、ますます注目を集めています。

量子機械学習

量子機械学習 (Quantum ML) は、量子コンピューティングと機械学習の交差点です。

量子コンピュータは、量子コヒーレンスや量子もつれなどの効果を利用して情報を処理しますが、これは古典的なコンピュータとは根本的に異なります。現在、量子アルゴリズムはいくつかの問題において最良の古典的アルゴリズムを上回っており、これを量子加速と呼んでいます。たとえば、N 個のエントリを持つソートされていないデータベースを検索する場合、量子アルゴリズムに必要な時間は O(√N) ですが、従来のコンピュータの時間計算量は O(N) です。N×N のスパース行列を反転する場合、量子コンピュータの時間計算量は O(log_2? N) ですが、従来のコンピュータの時間計算量は O(〖Nlog〗_2? N) です。

量子コンピューティングと機械学習が出会うと、それは相互に有益で補完的なプロセスになります。一方では、量子コンピューティングの利点を利用して、従来のコンピューター上の機械学習アルゴリズムを量子コンピューター上で効率的に実装するなど、従来の機械学習アルゴリズムのパフォーマンスを向上させることができます。一方、従来のコンピューター上で機械学習アルゴリズムを使用して、量子コンピューティング システムを分析および改善することもできます。

線形代数に基づく量子機械学習アルゴリズム

このカテゴリの量子機械学習アルゴリズムの多くは、特定の条件（ハミルトン条件、スパース行列、またはこの条件を満たす低ランク行列など）下で O(log_2 N) の複雑度を持つ線形方程式を解くための量子アルゴリズムのバリエーションに基づいています。行列の逆行列を求める既知の古典的なアルゴリズムの複雑さは、少なくとも O(N^2) であることが指摘されるべきです。量子行列反転アルゴリズムは、最小二乗線形回帰、サポートベクターマシンの最小二乗バージョン、ガウス過程など、多くの機械学習手法を高速化できます。これらのアルゴリズムのトレーニングは、線形方程式のシステムを解くことに簡略化できます。このタイプの量子機械学習アルゴリズムの主なボトルネックとなるのは、データ入力、つまりデータセット全体の特性を使用して量子システムを初期化する方法です。特定のケースでは効率的なデータ入力アルゴリズムが存在しますが、ほとんどの場合、量子システムにデータがどのように入力されるかは不明です。

量子強化学習

量子強化学習では、量子エージェントは古典的な環境と相互作用し、環境から報酬を獲得し、行動戦略を調整および改善します。場合によっては、エージェントの量子処理能力によって、または量子重ね合わせで環境をプローブする可能性によって、量子の高速化が達成されます。このようなアルゴリズムは、超伝導回路やトラップイオンシステムで提案されています。

量子ディープラーニング

量子アニーラやプログラム可能な光子回路などの特殊な量子情報プロセッサは、深層量子学習ネットワークの構築に適しています。量子化できる最も単純なディープニューラルネットワークはボルツマンマシンです。古典的なボルツマン マシンは、調整可能な相互作用を持つビットで構成されています。ボルツマン マシンは、表現の分布がデータの統計に適合するように、これらのビットの相互作用を調整することによってトレーニングされます。ボルツマン マシンを量子化するために、ニューラル ネットワークは、調整可能なイジング モデルに対応する、相互作用する量子スピンのセットとして単純に表現できます。次に、ボルツマン マシンの入力ニューロンを固定状態に初期化し、システムを熱平衡化することで、出力量子ビットを読み取って結果を得ることができます。

量子アニーラは、汎用量子コンピュータよりも構築と拡張が容易で、D-wave 量子アニーラなどのように現在商用化されている専用の量子情報プロセッサです。

シンプルで美しい法律

自然は複雑な現象とシステムに満ちています。現実世界の複雑な現象の背後にある本質を見ると、予想外の結論にたどり着くことができます。一見複雑に見える自然現象は、偏微分方程式などのシンプルで美しい数学的法則によって記述されるのです。 Mathematica の作者であり、有名なコンピュータ科学者で物理学者のスティーブン・ウルフラムは、かつて同様の観察と結論を出しました。「物理学やその他の科学分野における従来の数学モデルのほとんどすべては、結局のところ偏微分方程式に基づいていることが判明しました。」

自然現象の背後にあるシンプルで美しい数学的法則は非常に一般的であるため（特に偏微分方程式）、現象の背後にある数学的法則を自動的に学習して発見する方法を設計することは可能でしょうか？ この質問は明らかに困難ですが、完全に不可能というわけではありません。どのような方程式でも、何らかの等式が存在する必要があります。さらに一歩進んで、現実の物理世界には本質的かつ普遍的な保存則や不変則が存在するのでしょうか? この疑問に関して、ドイツの数学者エミー・ネーターは 1915 年に洞察に満ちたネーターの定理を提唱しました。この定理は、すべての連続対称変換に対して、対応する保存量（不変量）が存在することを述べています。言い換えれば、連続対称性と保存則の間には 1 対 1 の対応関係があります。これは、自然現象の背後にある保存関係を発見するための、特に物理的な保存則を見つけるための深い理論的指針を提供します。実際、物理法則のほとんどの公式は、特定の量の保存に基づいて導出されます。たとえば、量子システムを記述するシュレーディンガー方程式は、エネルギー保存則から導出されます。

この洞察に基づいて、科学者たちは数多くの試みを実行し、実りある成果を達成しました。たとえば、2009 年に Science 誌に掲載された論文で、Schmidt 氏と Lipson 氏は、不変原理と進化アルゴリズムに基づいた自動法則発見法を提案しました。この論文では、与えられた実験データに対して、特定の不変性に基づいた多数の方程式または方程式を生成できるというトピックについて検討します。では、どのような相関関係が重要で意味があるのでしょうか。この質問に定量的に答えるのは難しいですが、シュミット氏とリプソン氏は論文の中で、何らかの不変量に​​基づく有効な式は、システムのさまざまなコンポーネント間の動的な関係を正しく予測できなければならないという見解を示しました。具体的には、意味のある保存式は、一連の変数の時間に対する導関数間の関係を正しく特徴付ける必要があります。

ディープラーニングと比較すると、自動法則学習は、ニュートンが世界を観察し研究した方法に似ています。ニュートンは現実世界に関する大量のデータを収集した後、私たちが住む物理世界の法則を簡潔かつ明確に説明するために使用できる一連の法則、方程式、公式を獲得しました。すべては数値であり、自動化法則の発見は科学研究に大きく貢献し、特定の分野では科学研究の自動化を実現することさえ可能です。

即興学習

ここで議論する即興学習は、ヤン・ルカンが常に主張してきた予測学習と似た目標を持っていますが、この 2 つは世界と採用する方法論について非常に異なる前提を持っています。予測学習の概念は教師なし学習から派生したもので、将来の出来事の確率を予測する能力に重点を置いています。方法論的には、予測学習では現在利用可能なすべての情報を使用して、過去と現在に基づいて未来を予測したり、現在に基づいて過去を分析したりします。予測学習は、ある程度、現代の認知科学による脳の能力に関する理解と一致しています。

予測学習には、世界をモデル化することと、現在の未知のものを予測することという 2 つの主な要素があります。問題は、私たちが住んでいる世界は予測可能かどうかです。この質問に対する答えは不明です。

予測学習の世界についての仮定とは異なり、即興学習では異常な出来事が当たり前であると仮定します。即興的知能とは、予期せぬ出来事に直面したときに即興で柔軟に問題を解決する能力を指します。即興学習とは、最適化すべき固定された、事前に設定された、静的な目標がないことを意味します。直感的に言えば、即興学習システムには、事前に設定された目標によって生成される最適化勾配によって駆動される進化ではなく、継続的かつ自己駆動的な能力向上が必要です。言い換えれば、即興学習は自律的な観察と相互作用を通じて知識と問題解決スキルを習得します。

即興学習システムは、環境の観察と相互作用から得られる肯定的および否定的なフィードバックを通じて学習します。このプロセスは表面的には強化学習に似ていますが、本質的な違いは、即興学習には事前設定された最適化目標がないのに対し、強化学習では通常、事前設定された目標が必要であることです。即興学習は固定された最適化目標から導かれる学習勾配によって駆動されるものではないため、進化はでは、この学習プロセスを推進するものは何でしょうか? この学習プロセスはいつ停止するのでしょうか? ここでは、「条件付きエントロピー」モデルを例に挙げて、このタイプの学習システムを探ります。

ここで、K は学習システムが現在所有している知識であり、E は環境内の情報です。この式は、現在の学習システムに対する環境の「不確実性」を捉えます。 「負のエントロピー」が転送されるにつれて、学習システムは環境に関する知識をどんどん獲得し、この「不確実性」は徐々に減少して、ついには消滅します。この「不確実性」が完全になくなると、「負のエントロピー」の流れが止まり、学習プロセスが終了します。この時点で、学習システムは、事前に設定された目標なしでの即興学習を通じて、環境の包括的な理解を獲得します。

ソーシャル機械学習

機械学習の目的は、人間の学習プロセスをシミュレートすることです。機械学習は大きな成功を収めてきましたが、これまでは重要な要素、つまり人間の社会的属性を無視してきました。私たち一人ひとりは社会の一員であり、生まれたときから社会から独立して生き残り、学び、進歩することは困難です。人間の知能は社会と切り離せないものであるため、機械に何らかの社会的属性を持たせ、人間社会の重要な要素をシミュレートして進化させ、現在の機械学習方法よりも効果的でインテリジェントで説明可能な「ソーシャル機械学習」を実現できるでしょうか。

社会が数十億人の人間で構成されているのと同様に、ソーシャル機械学習も機械学習エージェントで構成されたシステムである必要があります。各機械学習アルゴリズムは、現在の機械学習手法に従ってデータを取得するだけでなく、ソーシャル活動にも参加します。他の機械学習エージェントと連携して、積極的に情報を取得し、分業し、協力し、社会的メカニズムに従って社会的報酬を獲得します。同時に、経験をまとめ、知識を獲得し、お互いから学びながら行動を調整していきます。

実際、現在の機械学習手法には「社会的知性」が少しずつ現れ始めています。たとえば、「知識の蒸留」は、機械学習エージェント間の最も単純な行動の影響を説明でき、最初に知識を獲得する方法でもあります。分散機械学習アルゴリズムにおけるモデルの平均化、モデルの統合、投票などの方法は、最も単純な社会的意思決定メカニズムです。強化学習は、報酬フィードバックに基づいてエージェントが行動を調整するためのフレームワークを提供します。

社会的属性は人間の本質的な属性であるため、ソーシャル機械学習は、機械学習を使用して人工知能の獲得から社会的知能の獲得へと進むための重要な方向性でもあります。

結論

前述のように、近年機械学習は急速に発展しており、私たちはそれに自信に満ちています。この記事で述べた将来の方向性は、機械学習分野に対する著者の理解に基づいたものであり、カバーされていない重要な方向性がたくさんあるはずです。特に急速に発展している機械学習の分野では、未来を予測することは困難です。アラン・ケイはかつてこう言いました。「未来を予測する最良の方法は、それを創ることだ。」したがって。私たちは、学者であれエンジニアであれ、教授であれ学生であれ、機械学習の実践者全員に、協力して手を取り合って前進し、実践的な行動でこれらの重要な研究テーマを前進させ、未来を予測するよりもはるかに実践的で重要な未来を自らの手で創造するよう呼びかけます。