Artificial Intelligence Theory Problems
人工知能の理論問題
Artificial Intelligence Theory Problems
解説：池田光穂
■人 工知能の理論問題
| Convolutional
neural network |
"In deep learning, a convolutional neural network (CNN, or ConvNet) is a class of deep neural networks, most commonly applied to analyzing visual imagery.[1] They are also known as shift invariant or space invariant artificial neural networks (SIANN), based on their shared-weights architecture and translation invariance characteristics.[2][3] They have applications in image and video recognition, recommender systems,[4] image classification, medical image analysis, natural language processing,[5] and financial time series.[6]" - convolutional neural network (CNN, or ConvNet) | 「ディープラーニングにおいて、畳み込みニューラルネットワーク (CNN、またはConvNet)はディープニューラルネットワークの一種であり、視覚的イメージの分析に最も一般的に適用される。[1] それらは、共有重み付けアーキテクチャと変換不変特性に基づいて、シフト不変または空間不変人工ニューラルネットワーク(SIANN)としても知られてい る アーキテクチャと翻訳不変特性に基づいている。[2][3] 画像や動画の認識、レコメンダーシステム、[4] 画像分類、医療用画像解析、自然言語処理、[5] 金融時系列分析などへの応用がある。[6]」 - 畳み込みニューラルネットワーク(CNN、またはConvNet) |
| Deep learning |
"Deep learning
(also known as deep structured learning) is part of a broader family of
machine learning methods based on artificial neural networks with
representation learning. Learning can be supervised, semi-supervised or
unsupervised.[1][2][3]"- https://en.wikipedia.org/wiki/Deep_learning |
ディープラーニング(深層構造学習とも呼ばれる)は、表現学
習を伴う人工ニューラルネットワークに基づく、より広範な機械学習手法の一部である。学習は、教師あり学習、半教師あり学習、教師なし学習のいずれかであ
る。 |
| Recurrent
neural
network |
"A recurrent neural network (RNN) is a class of artificial neural networks where connections between nodes form a directed graph along a temporal sequence. This allows it to exhibit temporal dynamic behavior. Derived from feedforward neural networks, RNNs can use their internal state (memory) to process variable length sequences of inputs.[1] This makes them applicable to tasks such as unsegmented, connected handwriting recognition[2] or speech recognition.[3][4] "- Recurrent neural network. | 再帰型ニューラルネットワーク(RNN)は、ノード間の接続
が時間的順序に沿った有向グラフを形成する人工ニューラルネットワークの一種である。これにより、時間的な動的挙動を示すことができる。フィードフォワー
ドニューラルネットワークから派生したRNNは、内部状態(メモリ)を使用して可変長の入力シーケンスを処理することができる。[1]
このため、分割されていない連続した手書き文字認識[2] や音声認識[3][4] などのタスクに適用できる。 |
| Machine
learning |
"Machine learning (ML) is the
study of computer algorithms that can improve automatically through
experience and by the use of data.[1] It is seen as a part of
artificial intelligence. Machine learning
algorithms build a model based on sample data, known as "training
data", in order to make predictions or decisions without being
explicitly programmed to do so.[2] Machine learning algorithms are used
in a wide variety of applications, such as in medicine, email
filtering, speech recognition, and computer vision, where it is
difficult or unfeasible to develop conventional algorithms to perform
the needed tasks.[3]" -Machine learning. |
機械学習(ML)とは、経験やデータの使用を通じて自動的に
改善できるコンピュータアルゴリズムの研究である。[1]
人工知能の一部と見なされている。機械学習アルゴリズムは、予測や意思決定を行うために、明示的にプログラムすることなく、「トレーニングデータ」として
知られるサンプルデータに基づいてモデルを構築する。[2]
機械学習アルゴリズムは、医療、電子メールのフィルタリング、音声認識、コンピュータービジョンなど、必要なタスクを実行するための従来のアルゴリズムを
開発することが困難または非現実的な、幅広い用途で使用されている。[3] |
| Pareto
efficiency |
"Pareto
efficiency or Pareto optimality is a
situation where no individual or
preference criterion can be better off without making at least one
individual or preference criterion worse off or without any loss
thereof. The concept is named after Vilfredo Pareto (1848–1923),
Italian civil engineer and economist, who used the concept in his
studies of economic efficiency and income distribution. The following
three concepts are closely related:
●Given an initial situation, a Pareto improvement is a new situation
where some agents will gain, and no agents will lose.
●●A situation is called Pareto dominated if there exists a possible
Pareto improvement.
●●●A situation is called Pareto optimal or Pareto efficient if no
change could lead to improved satisfaction for some agent without some
other agent losing or if there is no scope for further Pareto
improvement.
The Pareto frontier is the set of all Pareto efficient allocations,
conventionally shown graphically. It also is variously known as the
Pareto front or Pareto set.[1]"-Pareto
efficiency. |
パレート効率性またはパレート最適性とは、少なくとも1つの
個人または選好基準を悪化させることなく、または何の損失もなく、個人または選好基準をより良くすることができない状況を指す。この概念は、経済効率と所
得分配の研究においてこの概念を用いたイタリアの土木技師であり経済学者であるヴィルフレド・パレート(1848年~1923年)にちなんで名付けられ
た。次の3つの概念は密接に関連している。●初期状況が与えられた場合、パレート改善とは、一部のエージェントが利益を得て、損失を被るエージェントがい
ない新しい状況である。●パレート改善が可能である場合、状況はパレート支配されていると呼ばれる。●●●あるエージェントが満足度を向上させるために、
他のエージェントが損失を被ることなく、また、さらなるパレート改善の余地がない場合、その状況はパレート最適またはパレート効率的と呼ばれる。パレート
境界線は、すべてのパレート効率的な配分の集合であり、通常はグラフで表示される。また、パレート前線やパレート集合など、さまざまな名称で呼ばれること
もある。[1] |
| Federated
learning |
"Federated
learning (also known as collaborative
learning) is a
machine learning technique that trains an algorithm across multiple
decentralized edge devices or servers holding local data samples,
without exchanging them. This approach stands in contrast to
traditional centralized machine learning techniques where all the local
datasets are uploaded to one server, as well as to more classical
decentralized approaches which often assume that local data samples are
identically distributed. Federated learning enables multiple actors to
build a common, robust machine learning model without sharing data,
thus allowing to address critical issues such as data privacy, data
security, data access rights and access to heterogeneous data. Its
applications are spread over a number of industries including defense,
telecommunications, IoT, and pharmaceutics." |
フェデレーテッド・ラーニング(協調学習とも呼ばれる)は、
複数の分散型エッジデバイスまたはローカルのデータサンプルを保持するサーバー間で、それらを交換することなくアルゴリズムを訓練する機械学習技術であ
る。このアプローチは、すべてのローカルのデータセットが1つのサーバーにアップロードされる従来の集中型機械学習技術とは対照的である。また、ローカル
のデータサンプルが同一に分散されていると想定されることが多い、より古典的な分散型アプローチとも対照的である。フェデレーテッド・ラーニングは、複数
のアクターがデータを共有することなく、共通の堅牢な機械学習モデルを構築することを可能にする。これにより、データのプライバシー、セキュリティ、アク
セス権、異種データへのアクセスといった重要な問題に対処することができる。その用途は、防衛、通信、IoT、製薬など、さまざまな業界に広がっている。 |
| Federated Learning of Cohorts | "Federated
Learning of Cohorts (FLoC) is a type of web tracking through
federated learning. It groups people
into "cohorts" based on their browsing history for the purpose of
interest-based advertising.[1][2]
Google began testing the technology in the Chrome browser in March 2021
as a replacement for third-party cookies, which it plans to stop
supporting in Chrome by early 2023. FLoC is being developed as a part
of Google's Privacy Sandbox initiative,[3] which includes several other
advertising-related technologies with bird-themed names.[1][4]:48"- Federated Learning of Cohorts. |
Federated Learning of
Cohorts(FLoC)は、フェデレーテッド・ラーニングによるウェブトラッキングの一種である。興味関心に基づく広告を目的として、閲覧履歴に基づ
いて人々を「コホート」にグループ化する。[1][2]
Googleは、2023年初頭までにChromeでのサポートを終了する予定のサードパーティCookieの代替技術として、2021年3月に
Chromeブラウザでこの技術のテストを開始した。FLoCは、Googleのプライバシーサンドボックス構想の一環として開発されている。この構想に
は、鳥をテーマにした名前を持ついくつかの広告関連技術が含まれている。[1][4]:48「Federated Learning of
Cohorts(FLoC)」 |
| Society of Mind |
"The Society of
Mind is both the title of a 1986 book and the name of a theory of natural intelligence as
written and developed by Marvin Minsky.[1] In his book of the same
name, Minsky constructs a
model of human intelligence step by step, built up from the
interactions of simple parts called agents, which are themselves
mindless. He describes the postulated interactions as
constituting a "society of mind", hence the title.[2]" -Society of Mind. |
「心の社会」は、1986年に出版された書籍のタイトルであると同時
に、マーヴィン・ミンスキーが著述し発展させた自然知能理論の名称でもある。[1]
ミンスキーは同名の著書で、エージェントと呼ばれる単純な部品の相互作用から構築された、人間の知能のモデルを段階的に構築している。彼は、想定される相
互作用が「心の社会」を構成していると説明しており、これがタイトルの由来となっている。[2]」 |
●僕
とて、Machine learning (ML) is the study of computer algorithms that can
improve automatically through experience and by the use of data.の
improveの目標がパレート最適であることを知ったのはある謙虚なエンジニアの先生のおかげでした（→「人工知能の定義をめぐる支離滅裂さ」）。
https://bit.ly/3yD9zsZ
リンク
文献
その他の情報
++
Copyleft, CC,
Mitzub'ixi Quq Chi'j, 1997-2099
