抽象化レベルを超えた機械と人間の視覚表現の並べ替え

科学分野:

• 人工知能
• 認知科学
• コンピュータ・ビジョン

背景:

• ディープニューラルネットワーク (DNN) は,人間の行動とニューラル表現のモデルとしてますます使用されています.
• しかし,DNNのトレーニングと人間の学習には大きな違いがあり,モデルの汎用性には欠陥がある.
• 現在のビジョンモデルは,人間の概念的知識の階層的な組織を捉えることができません.

研究 の 目的:

• 人間の概念的知識とDNNの表現の不一致を特定し,対処する.
• より一般化され,より堅固な視覚モデルを開発する.
• 人工知能 (AI) システムに人間の知識を注入する方法を調査する.

主な方法:

• 概念の類似性について 人間の判断を模倣する モデル教師を訓練しました
• 教師モデルから 最先端の視覚基盤モデルに 微調整によって人間に合わせた表現構造を 移した.
• 複数の意味論抽象化レベルにおける人間の判断を用いた類似性タスクのモデルを評価した.

主要な成果:

• 人間の行動と不確実性を より正確に推定することが示されました
• 様々な機械学習のタスクのパフォーマンスが向上し,一般化と配送外での堅実性が向上しました.
• モデルは人間の認知に存在する階層的な意味論的抽象を成功裏に捉えました

結論:

• 人間の知識をDNNに統合することで ヒトの認知判断とよりよく一致する ハイブリッド表現が生まれます
• このアプローチにより より堅牢で 解釈しやすく 人間に合わせた AI システムが生まれます
• 人工知能に人間の知識を注入することで より有能で信頼性の高い 人工知能への道を切り開くことができます