第2回次世代脳型人工知能研究会 メモ

招待講演1 岡田真人先生

途中入場したのでよくわからない.

• sparseなモデルが重要と主張する.
• Data Driven Science
• DLは脳を模倣しているがまだまだ模倣しきれていない部分が有る
• 自分の言いたいことは海外の学者たちの発言をつなぎ合わせて言う
• ImPactのQNNはD-Waveに勝てる

応用統計学 vol.45 no.3
情報処理学会 vol.59 No.1 42-47

招待講演2 丸山宏先生

DLはパラメータが多い割に過学習しづらい

DLの応用例の紹介

1. ピッキング
2. 自動車の走らせ方(仮想サーキットでの強化学習)
3. 線画の着色

本質的な限界

1. 教師データと将来のデータの分布が同じでないと適用できない
2. 教師データに現れない稀な事象を近似できない(臨機応変な対応ができない)
3. 訓練データが現実の分布からi.i.d.に抽出したか証明できない

実用的な限界

1. 計算リソースが大量に必要 -> 精度の低い計算/ Reservoir Computing

技術者の不足について

60年台にもプログラマが不足して社会問題になったが、ソフトウェア工学の創始によってなんとかなった(のか？)。機械学習工学ともいうべき新たな工学が必要に成るのでは。