開放世界における新規事象を処理するための神経記号認知アーキテクチャフレームワーク

論文の背景

従来の人工知能研究では、知能体が「閉鎖世界」で動作すると仮定されており、つまり環境内のタスクに関連するすべての概念が既知であり、新しい未知の状況が発生しないと考えられていました。しかし、開かれた現実世界では、知能体の事前知識に反する新規の事象が必ず発生します。本論文では、新規事象を検出し対応する能力を知能体に与える新しいハイブリッド神経記号推論アーキテクチャを提案しており、開かれた世界でタスクを完了することができます。

新規事象の定義

本論文では、新規事象を知能体に関連する概念と見なしています。知能体がその知識ベースから特定の事象の表現を導出できない場合、その事象は知能体にとって新規のものとなります。新規事象が知能体のタスク完了にどの程度影響するかによって、以下のような種類に分けられています。

• 制限的新規事象: 知能体はこの種の新規事象を表現し推論しなければ、タスクを完了できる計画を立てられません。
• 阻害的新規事象: 知能体の実行器がこの新規事象のために実行に失敗します。
• 有益な新規事象: この新規事象を把握すれば、知能体はタスクをより効率的に完了できます。
• 無関係な新規事象: タスク完了には影響しませんが、コストが増加する可能性があります。

神経記号認知アーキテクチャ

本論文では、新規事象の検出と対応を行うハイブリッド神経記号アーキテクチャを提案しています。このアーキテクチャには以下の主要コンポーネントが含まれています。

記号推論

• 知識ベース: 記号状態記述、規則、演算子を格納します。
• タスクプランナー: 目標状態に基づいてアクションプランを生成します。
• 目標マネージャー: 状態と予測の差異を監視し、制限的および阻害的新規事象を検出します。

ニューラル推論

• 視覚モデル: 深層自己符号化器を使って視覚上の新規事象を検出します。
• エージェントモデル: 行動クローニングを使って他の知能体の行動をモデル化し、異常行動を検出します。
  

新規性探索

• 記号探索アルゴリズムと強化学習探索器を含みます。
• 新規事象を検出すると、適切な探索戦略を生成し、新規事象への対応を学習します。

評価

本論文では、PolycraftサンドボックスEnvironmentにおいてアーキテクチャの各コンポーネントと全体システムの包括的な評価を行いました。実験では様々な新規シナリオを設定し、知能体は「ポゴスティック」を作るタスクを完了するために新規事象を検出し対応する必要がありました。評価指標には以下のようなものがあります。

• 新規事象検出性能: 偽陽性率、真陽性率など。
• タスク完了性能: 新規事象が導入された後の知能体のタスク完了能力。
  

評価の結果、提案されたアーキテクチャはほとんどの新規事象を効率的に検出し対応でき、新規事象が導入された後もタスク完了能力を維持できることがわかりました。

要約

本論文では、開かれた世界で新規事象を検出し対応する能力を知能体に与えるハイブリッド神経記号認知アーキテクチャを提案しました。このアーキテクチャは、記号計画、反実仮想推論、強化学習、深層コンピュータビジョンなどの技術を組み合わせており、未知の状況を効果的に探索し知識ベースを更新できます。Polycraftにおける評価では、提案したアーキテクチャが新規事象の処理に優れた性能を示しました。この研究は、開かれた世界の人工知能システムの発展に価値あるソリューションを提供しています。