Loading article…
この人工知能用語集は、人工知能(AI)、そのサブ分野、および関連分野の研究に関連する用語と概念の定義の一覧です。関連する用語集には、コンピューター サイエンス用語集、ロボット工学用語集、およびマシン ビジョン用語集が含まれます。
あ
- A*検索
- 完全性、最適性、および最適な効率性により、コンピューター サイエンスの多くの分野で使用されているグラフ トラバーサルおよび経路検索アルゴリズム。
- アブダクション論理プログラミング(ALP)
- 帰納的推論に基づいて宣言的に問題を解決するために使用できる高レベルの知識表現フレームワーク。一部の述語を不完全に定義し、帰納可能述語として宣言できるようにすることで、通常の論理プログラミングを拡張します。
- 帰納的推論
- 観察または一連の観察から始まり、最も単純で最も可能性の高い説明を見つけようとする論理的推論の形式。このプロセスは演繹的推論とは異なり、もっともらしい結論を導き出すが、それを積極的に検証するものではない。[1]帰納的推論、[1]または遡及的推論[2]
- アブレーション
- AIシステムのコンポーネントの除去。アブレーション研究は、コンポーネントを除去してシステムの最終的なパフォーマンスを分析することにより、コンポーネントがAIシステムにどのように貢献しているかを判断することを目的としています。[3]
- 抽象データ型
- データ型の数学的モデル。データ型は、データのユーザーの観点からその動作 (セマンティクス)によって定義され、具体的には、可能な値、この型のデータに対して可能な操作、およびこれらの操作の動作の観点から定義されます。
- 抽象化
- 物体やシステムの研究において、物理的、空間的、時間的詳細[4]や属性を取り除き、他の興味のある詳細[5]にもっと注意を払うプロセス
- 変化の加速
- 歴史を通じて技術の変化率が上昇していると認識されており、これは将来的にはより速く、より深刻な変化が起こることを示唆している可能性があり、同様に深刻な社会的、文化的変化が伴う場合と伴わない場合がある。
- アクション言語
- 状態遷移システムを指定するための言語であり、アクションが世界に与える影響の形式モデルを作成するためによく使用されます。 [6]アクション言語は、人工知能やロボット工学の分野でよく使用され、アクションが時間の経過とともにシステムの状態にどのような影響を与えるかを記述し、自動計画に使用されることがあります。
- アクションモデル学習
- ソフトウェア エージェントの環境内で実行できるアクションの効果と前提条件に関する知識の作成と変更に関係する機械学習の領域。この知識は通常、ロジック ベースのアクション記述言語で表現され、自動プランナーの入力として使用されます。
- アクション選択
- インテリジェント システムの最も基本的な問題である「次に何をすべきか」を特徴付ける方法。人工知能と計算認知科学では、「アクション選択問題」は通常、インテリジェント エージェントとアニマット (エージェント環境で複雑な動作を示す人工システム) に関連付けられます。
- 活性化関数
- 人工ニューラル ネットワークでは、ノードの活性化関数は、入力または入力セットが与えられた場合のそのノードの出力を定義します。
- 適応アルゴリズム
- 事前に定義された報酬メカニズムまたは基準に基づいて、実行時に動作を変更するアルゴリズム。
- 適応型ニューロファジー推論システム(ANFIS)
- 高木・菅野ファジー推論システムに基づく人工ニューラルネットワークの一種。この技術は1990年代初頭に開発された。[7] [8]ニューラルネットワークとファジー論理原理の両方を統合しているため、単一のフレームワークで両方の利点を活用できる可能性がある。その推論システムは、非線形関数を近似する学習機能を備えたファジーIF-THENルールのセットに対応している。[9]したがって、ANFISは汎用推定器であると考えられている。[10] ANFISをより効率的かつ最適な方法で使用するには、遺伝的アルゴリズムによって得られた最適なパラメータを使用することができる。[11] [12]
- 許容されるヒューリスティック
- コンピュータサイエンス、特に経路探索に関連するアルゴリズムでは、ヒューリスティック関数は、目標到達コストを決して過大評価しない場合、つまり目標到達コストが経路の現在の地点からの可能な限り低いコストよりも高くない場合に許容されると言われます。[13]
- 感情コンピューティング
- 人間の感情を認識、解釈、処理、シミュレートできるシステムやデバイスの研究と開発。感情コンピューティングは、コンピュータサイエンス、心理学、認知科学にまたがる学際的な分野です。[14] [15]
- エージェントアーキテクチャ
- ソフトウェアエージェントとインテリジェント制御システムの青写真であり、コンポーネントの配置を描写する。インテリジェントエージェントによって実装されるアーキテクチャは、認知アーキテクチャと呼ばれる。[16]
- AIアクセラレータ
- 人工知能アプリケーション、特に人工ニューラルネットワーク、マシンビジョン、機械学習用のハードウェアアクセラレーションとして設計されたマイクロプロセッサ[17]またはコンピュータシステム[18]の一種。
- AI完全
- 人工知能の分野では、最も難しい問題は非公式にAI完全またはAI困難と呼ばれており、これらの計算問題の難しさは、コンピューターを人間と同じくらい賢くする、つまり強いAIという人工知能の中心的な問題を解決する難しさと同等であることを意味します。[19]問題をAI完全と呼ぶことは、単純な特定のアルゴリズムでは解決できないという態度を反映しています。
- アルゴリズム
- 一連の問題を解決する方法の明確な仕様。アルゴリズムは、計算、データ処理、および自動推論タスクを実行できます。
- アルゴリズムの効率
- アルゴリズムによって使用される計算リソースの数に関連するアルゴリズムの特性。アルゴリズムは、そのリソースの使用状況を判断するために分析する必要があり、アルゴリズムの効率はさまざまなリソースの使用状況に基づいて測定できます。アルゴリズムの効率は、反復プロセスまたは継続プロセスのエンジニアリング生産性に類似していると考えることができます。
- アルゴリズム確率
- アルゴリズム情報理論において、アルゴリズム確率はソロモノフ確率とも呼ばれ、与えられた観測値に事前確率を割り当てる数学的手法である。これは1960年代にレイ・ソロモノフによって発明された。 [20]
- アルファ碁
- ボードゲーム「囲碁」をプレイするコンピュータプログラム。[ 21]ロンドンのAlphabet Inc.のGoogle DeepMindによって開発された。AlphaGoには、 AlphaGo Zero、AlphaGo Master、AlphaGo Leeなど、いくつかのバージョンがある。 [22] 2015年10月、AlphaGoは、フルサイズの19×19の盤上でハンディキャップなしでプロの囲碁プレイヤーに勝利した最初のコンピュータ囲碁プログラムとなった。 [23] [24]
- 環境知能（AmI）
- 人の存在に敏感に反応する電子環境。
- アルゴリズムの分析
- アルゴリズムの計算の複雑さ、つまりアルゴリズムを実行するために必要な時間、ストレージ、およびその他のリソースの量を決定します。通常、これには、アルゴリズムの入力の長さと、アルゴリズムが実行するステップ数 (時間の複雑さ) またはアルゴリズムが使用するストレージ場所の数 (空間の複雑さ) を関連付ける関数を決定することが含まれます。
- 分析
- データ内の意味のあるパターンの発見、解釈、伝達。
- 回答セットプログラミング(ASP)
- 困難な (主にNP 困難)検索問題を対象とした宣言型プログラミングの形式。論理プログラミングの安定したモデル(回答セット) セマンティクスに基づいています。ASP では、検索問題は安定したモデルの計算に簡略化され、回答セット ソルバー(安定したモデルを生成するプログラム) を使用して検索が実行されます。
- アリコロニー最適化(ACO)
- グラフ上の適切なパスを見つけることに帰着する計算問題を解決するための確率的手法。
- いつでもアルゴリズム
- 問題が終了する前に中断された場合でも、問題に対する有効な解決策を返すことができるアルゴリズム。
- アプリケーション プログラミング インターフェイス(API)
- サブルーチン定義、通信プロトコル、およびソフトウェア構築ツールのセット。一般的には、さまざまなコンポーネント間の通信方法を明確に定義したものです。優れた API は、プログラマーが組み立てるすべての構成要素を提供することで、コンピューター プログラムの開発を容易にします。API は、Web ベースのシステム、オペレーティング システム、データベース システム、コンピューター ハードウェア、またはソフトウェア ライブラリ用である場合があります。
- 近似文字列マッチング
- パターンにほぼ一致する文字列(正確に一致する文字列ではない) を検索する手法。文字列の近似一致の問題は、通常、指定された文字列内の近似部分文字列一致の検索と、パターンにほぼ一致する辞書文字列の検索という 2 つのサブ問題に分けられます。
- 近似誤差
- 正確な値とそれに近い値との間の差異。
- 議論の枠組み
- 議論の多い情報を扱い、そこから結論を導き出す方法。抽象的な議論の枠組み[25]では、エントリーレベルの情報は、たとえばデータや命題を表す抽象的な議論の集合です。議論間の対立は、議論の集合上の二項関係で表されます。具体的には、議論の枠組みを有向グラフで表し、ノードが議論、矢印が攻撃関係を表します。Dungの枠組みには、論理ベースの議論の枠組み[26]や価値ベースの議論の枠組み[27]などの拡張版も存在します。
- 汎用人工知能(AGI)
- 幅広い認知タスクにわたって人間の認知能力に匹敵するかそれを上回る AI の一種。
- 人工免疫システム（AIS）
- 脊椎動物の免疫システムの原理とプロセスにヒントを得た、計算的にインテリジェントなルールベースの機械学習システムの一種。アルゴリズムは通常、問題解決に使用する免疫システムの学習と記憶の特性に基づいてモデル化されます。
- 人工知能（AI）
- 人間や他の動物が示す自然の知能とは対照的に、機械が示す知能。コンピュータサイエンスでは、AI研究は「インテリジェントエージェント」の研究と定義されています。つまり、環境を認識し、目標を達成する可能性を最大化するアクションを実行するデバイスです。[28]口語的には、「人工知能」という用語は、機械が「学習」や「問題解決」など、人間が他の人間の心と関連付ける「認知」機能を模倣する場合に適用されます。 [29]
- 人工知能マークアップ言語
- 自然言語ソフトウェアエージェントを作成するためのXML方言。
- 人工知能推進協会(AAAI)
- 人工知能の研究と責任ある使用を促進することを目的とした国際的な非営利科学団体。AAAIは、人工知能（AI）に対する一般の理解を深め、AI実践者の教育とトレーニングを改善し、現在のAI開発の重要性と可能性、将来の方向性について研究計画者と資金提供者にガイダンスを提供することも目的としています。[30]
- 漸近的計算複雑性
- 計算複雑性理論において、漸近的計算複雑性とは、漸近解析を用いてアルゴリズムや計算問題の計算複雑性を推定することであり、一般的にはビッグ O 表記法の使用に関連付けられます。
- 注意メカニズム
- 機械学習ベースの注意は、認知的注意を模倣したメカニズムです。コンテキスト ウィンドウ内の各単語、より正確にはその埋め込みに対して「ソフト」な重みを計算します。並列 (トランスフォーマーなど) または順次 (再帰ニューラル ネットワークなど) のいずれかで実行できます。「ソフト」な重みは実行時に変更される可能性がありますが、「ハード」な重みは (事前) トレーニングされ、微調整されて、その後は固定されたままです。トランスフォーマー ベースの大規模言語モデルでは、複数の注意ヘッドが使用されます。
- 帰属計算
- Ryszard S. Michalskiによって定義された論理および表現システム。述語論理、命題論理、および多値論理の要素を組み合わせたものです。帰属論理は、結果が人間にとって自然な形式になる帰納的学習プロセスである自然帰納のための形式言語を提供します。
- 拡張現実（AR）
- 現実世界に存在する物体が、視覚、聴覚、触覚、体性感覚、嗅覚など複数の感覚様式にまたがるコンピュータ生成の知覚情報によって「拡張」される、現実世界環境のインタラクティブな体験。[31]
- オートエンコーダ
- ラベルなしデータの効率的なコーディングを学習するために使用される人工ニューラル ネットワークの一種 (教師なし学習)。一般的な実装は変分オートエンコーダ(VAE) です。
- オートマトン理論
- 抽象機械とオートマトン、およびそれらを使用して解決できる計算上の問題の研究。これは、理論計算機科学と離散数学（数学と計算機科学の両方の研究対象）の理論です。
- 自動機械学習（AutoML）
- 機械学習 (ML) システムの性能 (分類精度など) を最大化するように自動的に構成することを目的とした ML の分野。
- 自動化された計画とスケジュール
- 人工知能の一分野であり、通常はインテリジェントエージェント、自律ロボット、無人車両によって実行される戦略またはアクションシーケンスの実現に関係します。古典的な制御および分類の問題とは異なり、ソリューションは複雑であり、多次元空間で発見および最適化する必要があります。計画は意思決定理論にも関連しています。[32]
- 自動推論
- 推論のさまざまな側面を理解することに特化したコンピュータ サイエンスと数理論理学の分野。自動推論の研究は、コンピュータが完全に、またはほぼ完全に自動的に推論できるようにするコンピュータ プログラムの作成に役立ちます。自動推論は人工知能のサブフィールドと見なされていますが、理論コンピュータ サイエンス、さらには哲学とも関連があります。
- 自律コンピューティング(AC)
- 分散コンピューティングリソースの自己管理特性は、オペレーターやユーザーに対して固有の複雑さを隠しつつ、予測不可能な変化に適応します。 2001年にIBMによって開始されたこのイニシアチブは、自己管理が可能なコンピュータシステムを開発し、急速に増大するコンピューティングシステム管理の複雑さを克服し、複雑さがさらなる成長にもたらす障壁を減らすことを最終的な目的としていました。[33]
- 自動運転車
- 周囲の環境を感知し、人間の介入をほとんどまたは全く必要とせずに移動できる乗り物。[34] [ 35] [36]
- 自律型ロボット
- 高度な自律性を持って行動やタスクを実行するロボット。自律ロボットは通常、人工知能、ロボット工学、情報工学のサブフィールドであると考えられています。[37]
B
- バックプロパゲーション
- 人工ニューラルネットワークで使用される方法。ネットワークで使用される重みの計算に必要な勾配を計算する。 [38]バックプロパゲーションは「エラーの逆方向伝播」の略語で、エラーは出力で計算され、ネットワークの層全体に逆方向に分散される。これは通常、ディープニューラルネットワークのトレーニングに使用され、[39]複数の隠れ層を持つニューラルネットワークを指す用語。[40]
- 構造を介したバックプロパゲーション(BPTS)
- 1996年にChristoph GollerとAndreas Küchlerが書いた論文で提案された、リカレントニューラルネットワークを訓練するための勾配ベースの手法。[41]
- 経時逆伝播(BPTT)
- エルマンネットワークなどの特定の種類の再帰型ニューラルネットワークを訓練するための勾配ベースの手法。このアルゴリズムは多数の研究者によって独立して導き出された。[42] [43] [44]
- 後方連鎖
- 口語的には目標から逆方向に作業すると言われる推論方法。自動定理証明器、推論エンジン、証明支援装置、その他の人工知能アプリケーションで使用されます。[45]
- バッグ・オブ・ワード・モデル
- 自然言語処理や情報検索（IR）で使用される簡略化された表現。このモデルでは、テキスト（文や文書など）は、文法や語順を無視して多重度を維持しながら、単語のバッグ（多重集合）として表現されます。バッグオブワードモデルは、コンピュータービジョンにも使用されています。[46]バッグオブワードモデルは、各単語の出現頻度を分類器のトレーニングの特徴として使用する文書分類の方法でよく使用されます。[47]
- コンピュータビジョンにおけるバッグオブワードモデル
- コンピューター ビジョンでは、画像の特徴を単語として扱うことで、バッグ オブ ワード モデル (BoW モデル) を画像分類に適用できます。ドキュメント分類では、バッグ オブ ワードは単語の出現回数のスパース ベクトル、つまり語彙のスパースヒストグラムです。コンピューター ビジョンでは、バッグ オブ ビジュアル ワードはローカル画像の特徴の語彙の出現回数のベクトルです。
- バッチ正規化
- 人工ニューラルネットワークの性能と安定性を向上させる技術。ニューラルネットワークの任意の層に、平均ゼロ/分散単位の入力を提供する技術です。[48]バッチ正規化は2015年の論文で導入されました。[49] [50]これは、アクティベーションを調整およびスケーリングすることで入力層を正規化するために使用されます。
- ベイジアンプログラミング
- 必要な情報が少ない場合に確率モデルを指定して問題を解決するための手法を持つ形式主義と方法論。
- ミツバチアルゴリズム
- 2005年にPham、Ghanbarzadehらによって開発された集団ベースの探索アルゴリズム。[51]これはミツバチのコロニーの餌探し行動を模倣したものです。基本バージョンでは、このアルゴリズムは一種の近傍探索と全体探索を組み合わせたもので、組み合わせ最適化と連続最適化の両方に使用できます。ミツバチアルゴリズムを適用するための唯一の条件は、ソリューション間の距離の尺度が定義されていることです。ミツバチアルゴリズムの有効性と特定の能力は、多くの研究で証明されています。[52] [53] [54] [55]
- 行動情報学（BI）
- 行動情報学は行動知能と行動洞察力を獲得するためのものである。[56]
- 行動ツリー(BT)
- コンピュータサイエンス、ロボット工学、制御システム、ビデオゲームで使用される計画実行の数学的モデル。モジュール方式で有限のタスクセット間の切り替えを記述する。その強みは、単純なタスクの実装方法を気にすることなく、単純なタスクで構成された非常に複雑なタスクを作成できることである。BTは階層型ステートマシンといくつかの類似点があるが、動作の主な構成要素が状態ではなくタスクであるという重要な違いがある。BTは人間が理解しやすいため、エラーが発生しにくく、ゲーム開発者コミュニティで非常に人気がある。BTは他のいくつかの制御アーキテクチャを一般化できることが示されている。[57] [58]
- 信念・欲求・意図ソフトウェアモデル(BDI)
- インテリジェント エージェントをプログラミングするために開発されたソフトウェア モデル。表面的にはエージェントの信念、欲求、意図の実装を特徴としていますが、実際にはこれらの概念を使用してエージェント プログラミングの特定の問題を解決します。本質的には、プラン (プラン ライブラリまたは外部プランナー アプリケーションから) を選択するアクティビティと、現在アクティブなプランの実行を分離するメカニズムを提供します。その結果、BDI エージェントは、プランの検討 (何をするか選択) とそれらのプランの実行 (実行) に費やす時間のバランスをとることができます。3 番目のアクティビティである、そもそもプランを作成する (計画) は、モデルの範囲外であり、システム設計者とプログラマーに任されています。
- バイアスと分散のトレードオフ
- 統計学と機械学習において、バイアスと分散のトレードオフは、一連の予測モデルの特性であり、パラメータ推定のバイアスが低いモデルでは、サンプル間でパラメータ推定の分散が高くなります。逆もまた同様です。
- ビッグデータ
- 従来のデータ処理アプリケーションソフトウェアでは適切に処理できないほど大きすぎたり複雑すぎたりするデータセットを指す用語。ケース（行）の数が多いデータは統計的検出力が高くなりますが、複雑なデータ（属性や列が多い）は偽陽性率が高くなる可能性があります。[59]
- ビッグオー表記
- 引数が特定の値または無限大に向かう関数の極限的な動作を記述する数学表記法。ポール・バッハマン[60]、エドモンド・ランダウ[61]らによって発明された表記法ファミリーの一員であり、総称してバッハマン・ランダウ表記法または漸近表記法と呼ばれる。
- バイナリツリー
- ツリーデータ構造で、各ノードには 最大2つの子ノードがあり、子ノードは残された子供と集合論の概念だけを使った再帰的な定義は、（空でない）二分木はタプル（L、S、R）であり、LとRは二分木または空集合、S単集合である。[62]一部の著者は二分木が空集合であることを認めている。[63]
- 黒板システム
- 黒板アーキテクチャモデルに基づく人工知能アプローチ[64] [65] [66] [67]では、共通の知識ベースである「黒板」が、問題の仕様から始まり、解決策で終わる、さまざまな専門家の知識源によって反復的に更新されます。各知識源は、その内部制約が黒板の状態と一致すると、部分的な解決策で黒板を更新します。このようにして、専門家は協力して問題を解決します。
- ボルツマンマシン
- 確率的 リカレントニューラルネットワークとマルコフ確率場の一種。[68]ボルツマンマシンはホップフィールドネットワークの確率的、生成的対応物 と見なすことができます。
- ブール充足可能性問題
- 与えられたブール式を満たす解釈が存在するかどうかを判断する問題。言い換えれば、与えられたブール式の変数を、式が TRUE と評価されるように一貫して TRUE または FALSE の値に置き換えることができるかどうかを問うものです。この場合、式は満足可能と呼ばれます。一方、そのような割り当てが存在しない場合は、式によって表現される関数はすべての可能な変数割り当てに対してFALSEとなり、式は満足不可能 になります。たとえば、式「a AND NOT b 」は、( a AND NOT b ) = TRUE となる値a = TRUE およびb = FALSE を見つけることができるため、満足可能です。対照的に、「a AND NOT a」は 満足不可能 です。
- ブースト
- 各モデルを順番にトレーニングし、それぞれが前のモデルのエラーを修正することで、主にバイアス（分散ではなく）を削減するための機械学習アンサンブル メタヒューリスティック。
- ブートストラップ集約
- 複数のモデルを個別にトレーニングし、その予測を平均化することで、主に分散（バイアスではなく）を削減するための機械学習アンサンブルメタヒューリスティック。
- 脳技術
- 神経科学の最新の研究成果を活用した技術。この用語は、スイスのチューリッヒにある人工知能研究所がROBOYプロジェクトの一環として初めて導入した。[69]ブレインテクノロジーは、ロボット、 [70] ノウハウ管理システム[71]および自己学習機能を備えたその他のアプリケーションに採用できる。特に、ブレインテクノロジーアプリケーションでは、しばしば「ノウハウマップ」と呼ばれる基礎となる学習アーキテクチャを視覚化できる。
- 分岐因子
- コンピューティング、ツリーデータ構造、ゲーム理論では、各ノードの子の数、つまり出次数を指します。この値が均一でない場合は、平均分岐係数を計算できます。
- 総当たり捜査
- 解決策として考えられるすべての候補を体系的に列挙し、各候補が問題のステートメントを満たしているかどうかを確認する、非常に一般的な問題解決手法およびアルゴリズム パラダイム。
Ｃ
- カプセルニューラルネットワーク(CapsNet)
- 階層的関係をより良くモデル化するために使用できる人工ニューラルネットワーク（ANN）の一種である機械学習システム。このアプローチは、生物学的神経組織をより厳密に模倣しようとする試みである。[72]
- 事例ベース推論（CBR）
- 広義には、過去の類似の問題の解決策に基づいて新しい問題を解決するプロセス。
- チャットボット
- 聴覚またはテキストによる方法で会話を行うコンピュータプログラムまたは人工知能。[73]
- クラウドロボティクス
- クラウドコンピューティング、クラウドストレージ、その他のインターネット技術などのクラウド技術の活用を試みるロボット工学の分野。ロボット工学における統合インフラストラクチャと共有サービスのメリットを中心に据えています。クラウドに接続すると、ロボットはクラウド内の最新のデータセンターの強力な計算、ストレージ、通信リソースの恩恵を受けることができ、さまざまなロボットやエージェント（他のマシン、スマートオブジェクト、人間など）からの情報を処理および共有できます。人間はネットワークを介してロボットにリモートでタスクを委任することもできます。クラウドコンピューティング技術により、ロボットシステムはクラウド技術を通じてコストを削減しながら強力な機能を付与できます。したがって、軽量で低コストでスマートなロボットを構築し、クラウド内にインテリジェントな「頭脳」を持たせることができます。「頭脳」は、データセンター、知識ベース、タスクプランナー、ディープラーニング、情報処理、環境モデル、通信サポートなどで構成されています。 [74] [75] [76] [77]
- クラスター分析
- 同じグループ (クラスターと呼ばれる) 内のオブジェクトが、他のグループ (クラスター) 内のオブジェクトよりも (ある意味で) 互いに類似するように、オブジェクトのセットをグループ化するタスク。これは、探索的データ マイニングの主なタスクであり、機械学習、パターン認識、画像分析、情報検索、バイオインフォマティクス、データ圧縮、コンピューター グラフィックスなど、多くの分野で使用されている統計 データ分析の一般的な手法です。
- クモの巣
- 階層的概念クラスタリングのための増分システム。COBWEBは、現在ヴァンダービルト大学に在籍するダグラス・H・フィッシャー教授によって発明されました。 [78] [79] COBWEBは、観察結果を分類木に増分的に整理します。分類木の各ノードはクラス（概念）を表し、そのノードの下に分類されたオブジェクトの属性値分布を要約した確率的概念によってラベル付けされます。この分類木は、欠落している属性や新しいオブジェクトのクラスを予測するために使用できます。[80]
- 認知アーキテクチャ
- クリエイティブテクノロジー研究所は、認知アーキテクチャを次のように定義しています。「自然システムであろうと人工システムであろうと、心を提供する固定構造と、アーキテクチャ内に具現化された知識やスキルと連携して、さまざまな複雑な環境でインテリジェントな行動を生み出す方法についての仮説。」[81]
- 認知コンピューティング
- 一般的に、認知コンピューティングという用語は、人間の脳の機能を模倣し[82] [83] [ 84] [85] [ 86 ] [87]、人間の意思決定を改善するのに役立つ新しいハードウェアやソフトウェアを指すために使用されています。[88]この意味で、CCは、人間の脳/心がどのように刺激を感知し、推論し、反応するかをより正確にモデル化することを目的とした新しいタイプのコンピューティングです。
- 認知科学
- 心とそのプロセスに関する学際的な科学的研究。 [89]
- 組み合わせ最適化
- オペレーションズ・リサーチ、応用数学、理論計算機科学において、組合せ最適化は有限のオブジェクト集合から最適なオブジェクトを見つけることを目的とするテーマである。[90]
- 委員会機構
- 分割統治戦略を採用した人工ニューラルネットワークの一種で、複数のニューラルネットワーク（専門家）の応答を1つの応答に組み合わせる。[91] コミッティマシンの結合された応答は、それを構成する専門家の応答よりも優れているとされている。分類器のアンサンブルを比較してください。
- 常識的な知識
- 人工知能の研究において、常識的知識とは「レモンは酸っぱい」など、すべての人間が知っていると想定される日常の世界に関する事実である。常識的知識を扱う最初のAIプログラムは、1959年にジョン・マッカーシーが開発したアドバイステイカーであった。 [92]
- 常識的な推論
- 人間が日常的に遭遇する日常的な状況の種類と本質について推測する能力をシミュレートすることに関係する人工知能の分野。[93]
- 計算化学
- 化学の問題の解決を支援するためにコンピューターシミュレーションを使用する化学の分野。
- 計算複雑性理論
- 計算問題をその固有の難しさに基づいて分類し、これらのクラスを相互に関連付けることに焦点を当てます。計算問題とは、コンピューターによって解決されるタスクです。計算問題は、アルゴリズムなどの数学的手順を機械的に適用することで解決できます。
- 計算による創造性
- 人工知能、認知心理学、哲学、芸術の分野を含む学際的な取り組み。
- 計算サイバネティクス
- サイバネティクスと計算知能技術の統合。
- 計算ユーモア
- ユーモアの研究にコンピュータを使用する計算言語学と人工知能の分野。[94]
- 計算知能（CI）
- 通常、データまたは実験観察から特定のタスクを学習するコンピュータの能力を指します。
- 計算学習理論
- コンピュータサイエンスにおいて、計算学習理論（または単に学習理論）は、機械学習アルゴリズムの設計と分析を研究する人工知能のサブフィールドです。[95]
- 計算言語学
- 計算の観点から見た自然言語の統計的またはルールベースのモデリング、および言語の問題に対する適切な計算アプローチの研究に関わる学際的な分野。
- 計算数学
- コンピューティングが重要な役割を果たす科学分野における数学的研究。
- 計算神経科学
- 神経系の発達、構造、生理、認知能力を支配する原理を理解するために、脳の数学的モデル、理論的分析、抽象化を採用する神経科学の分野。[96] [97] [98] [99]
- 計算数論
- 数論的 計算を実行するためのアルゴリズムの研究。
- 計算上の問題
- 理論計算機科学において、計算問題とは、計算機が解決できる可能性のある一連の問題を表す数学的オブジェクトです。
- 計算統計
- 統計学とコンピュータサイエンスのインターフェース。
- コンピュータ自動設計(CAutoD)
- 設計自動化は通常、電子設計自動化、または製品コンフィギュレータである設計自動化を指します。コンピュータ支援設計(CAD) を拡張した自動設計とコンピュータ自動設計[100] [101] [102]は、自動車工学、土木工学、[103] [104] [105] [106]複合材料設計、制御工学、[107]動的システムの識別と最適化、[108]金融システム、産業機器、メカトロニクスシステム、鉄骨構造、[109] 構造最適化、[110] および新しいシステムの発明など、より広範なアプリケーションに関係しています。最近では、従来の CAD シミュレーションは、進化計算、[ 112 ] [ 113 ]や群知能アルゴリズムなどのヒューリスティック検索技術を含む生物学に触発された機械学習によって CAutoD に変換されているようです。[114 ]
- コンピュータオーディション（CA）
- 機械によるリスニングを参照してください。
- コンピュータサイエンス
- コンピュータの設計と使用の基礎となる理論、実験、工学。デジタル 情報を処理、保存、通信するアルゴリズムの研究が含まれます。コンピュータ科学者は計算理論と計算システムの設計を専門としています。[115]
- コンピュータービジョン
- コンピュータがデジタル画像やビデオから高度な理解を得る方法を扱う学際的な科学分野。工学の観点から、人間の視覚システムが実行できるタスクを自動化することを目指しています。[116] [117] [118]
- 概念のドリフト
- 予測分析と機械学習において、コンセプトドリフトとは、モデルが予測しようとしているターゲット変数の統計特性が、時間の経過とともに予期しない形で変化することを意味します。時間の経過とともに予測の精度が低下するため、問題が発生します。
- コネクショニズム
- 認知科学の分野におけるアプローチであり、人工ニューラルネットワークを使用して精神現象を説明しようとするものである。[119]
- 一貫したヒューリスティック
- 人工知能における経路探索問題の研究では、ヒューリスティック関数の推定値が、隣接する頂点から目標までの推定距離とその隣接頂点に到達するためのコストの合計値以下である場合、その関数は一貫している、または単調であると言われます。
- 制約条件モデル(CCM)
- 宣言的制約を使用して条件付き (確率的または識別的) モデルの学習を強化する機械学習および推論フレームワーク。
- 制約論理プログラミング
- 制約プログラミングの一種で、論理プログラミングが制約充足の概念を含むように拡張されます。制約論理プログラムは、節の本体に制約を含む論理プログラムです。制約を含む節の例は です。この節では、は制約であり、、 、 は通常の論理プログラミングと同様にリテラルです。この節は、ステートメントが成り立つ 1 つの条件を述べています。は 0 より大きく、 と の両方が真です。
A(X,Y) :- X+Y>0, B(X), C(Y)X+Y>0A(X,Y)B(X)C(Y)A(X,Y)X+YB(X)C(Y) - 制約プログラミング
- 変数間の関係が制約の形式で記述されるプログラミング パラダイム。制約は、実行するステップまたはステップのシーケンスを指定するのではなく、見つけられるソリューションのプロパティを指定するという点で、命令型プログラミング言語の一般的なプリミティブとは異なります。
- 人工言語
- 音韻、文法、語彙が自然に発達したものではなく、意識的に考案された言語。人工言語、計画言語、発明言語とも呼ばれる。[120]
- 制御理論
- 制御システム工学は、工学的プロセスおよび機械における連続的に動作する動的システムの制御を扱う数学のサブフィールドです。その目的は、遅延やオーバーシュートがなく、制御の安定性を確保しながら、制御アクションを使用してこのようなシステムを制御するための制御モデルを開発することです。
- 畳み込みニューラルネットワーク
- 深層学習において、畳み込みニューラルネットワーク（CNN、またはConvNet）は、画像解析に最も一般的に適用される深層ニューラルネットワークの一種です。CNNは、最小限の前処理で済むように設計された多層パーセプトロンの一種を使用します。[121]共有重みアーキテクチャと変換不変性の特性に基づいて、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）とも呼ばれます。[122] [123]
- クロスオーバー
- 遺伝的アルゴリズムと進化的計算では、 2 つの親の遺伝情報を組み合わせて新しい子孫を生成するために使用される遺伝演算子。これは、既存の集団から新しいソリューションを確率的に生成する方法の 1 つであり、生物の有性生殖中に発生する交差に類似しています。ソリューションは、既存のソリューションを複製することによっても生成できます。これは、無性生殖に類似しています。新しく生成されたソリューションは、通常、集団に追加される前に突然変異されます。
だ
- ダークフォレスト
- Facebookが開発したコンピュータ囲碁プログラム。畳み込みニューラルネットワークを使ったディープラーニング技術をベースにしている。その最新版であるDarkfores2は、前身の技術とモンテカルロ木探索を組み合わせたものである。[124] [125] MCTSは、コンピュータチェスプログラムでよく見られる木探索法を効果的に取り入れ、ランダム化している。[126]このアップデートにより、このシステムはDarkfmcts3と呼ばれるようになった。[127]
- ダートマスワークショップ
- ダートマス夏季人工知能研究プロジェクトは、1956年に開催された夏季ワークショップの名称であり、現在では多くの人[128] [129]（すべてではないが[130]）によって、人工知能という分野にとって画期的な出来事であると考えられている。
- データ拡張
- データ分析におけるデータ拡張は、データ量を増やすために使用される手法です。学習アルゴリズムをトレーニングする際の過剰適合を減らすのに役立ちます。
- データ融合
- 複数のデータソースを統合して、個々のデータソースから提供される情報よりも一貫性があり、正確で、有用な情報を生成するプロセス。[131]
- データ統合
- 異なるソースに存在するデータを結合し、ユーザーに統一されたビューを提供するプロセス。 [132]このプロセスは、商業（2つの類似した企業がデータベースを統合する必要がある場合など）と科学（異なるバイオインフォマティクスリポジトリからの研究結果を結合するなど）の両方の領域を含むさまざまな状況で重要になります。データ統合は、ボリューム（つまりビッグデータ）と既存データを共有するニーズが爆発的に増加するにつれて、ますます頻繁に発生します。[133]これは広範な理論的研究の焦点となっており、多くの未解決の問題が未解決のまま残っています。
- データマイニング
- 機械学習、統計、データベース システムの交差点にある手法を使用して、大規模なデータ セット内のパターンを発見するプロセス。
- データサイエンス
- 科学的な方法、プロセス、アルゴリズム、システムを使用して、構造化データと非構造化データの両方を含むさまざまな形式のデータから知識と洞察を抽出する学際的な分野であり、 [134] [135]データマイニングに似ています。データサイエンスは、「データを使用して実際の現象を理解し、分析するために、統計、データ分析、機械学習、および関連する方法を統合する概念」です。[136]数学、統計、情報科学、コンピューターサイエンスのコンテキスト内の多くの分野から引き出された技術と理論を採用しています。
- データセット
- データの集合。通常、データ セットは単一のデータベース テーブル、または単一の統計データ マトリックスの内容に対応します。テーブルの各列は特定の変数を表し、各行はデータ セットの特定のメンバーに対応します。データ セットには、データ セットの各メンバーについて、オブジェクトの高さや重量などの各変数の値がリストされます。各値はデータと呼ばれます。データ セットは、行数に対応する 1 つ以上のメンバーのデータで構成される場合があります。
- データ ウェアハウス(DW または DWH)
- レポート作成やデータ分析に使用されるシステム。[137] DWは、1つまたは複数の異なるソースから統合されたデータを中央リポジトリに保存します。現在のデータと履歴データを1か所に保存します。[138]
- データログ
- 宣言型論理プログラミング言語で、構文的にはPrologのサブセットです。演繹データベースのクエリ言語としてよく使用されます。近年、Datalogはデータ統合、情報抽出、ネットワーキング、プログラム分析、セキュリティ、クラウドコンピューティングなどの分野で新たな用途が見出されています。[139]
- 決定境界
- バックプロパゲーションベースの人工ニューラル ネットワークまたはパーセプトロンの場合、ネットワークが学習できる決定境界の種類は、ネットワーク内の隠れ層の数によって決まります。隠れ層がない場合、線形問題のみを学習できます。隠れ層が 1 つある場合は、普遍近似定理で示されるように、 R nのコンパクトなサブセット上の任意の連続関数を学習できるため、任意の決定境界を持つことができます。
- 意思決定支援システム(DSS)
- ビジネスまたは組織の意思決定活動をサポートする情報システム。DSSは、組織の管理、運用、計画レベル (通常は中間管理職および上級管理職) に役立ち、急速に変化し、事前に簡単に特定できない問題 (非構造化および半構造化の意思決定問題) に関する意思決定を支援します。意思決定支援システムは、完全にコンピューター化することも、人力で実行することも、その両方を組み合わせることもできます。
- 意思決定理論
- エージェントの選択の根底にある推論の研究。[140]意思決定理論は、不確実な信念と価値観に基づいて最善の意思決定を行う方法についてアドバイスする規範的意思決定理論と、存在する非合理的な可能性のあるエージェントが実際にどのように意思決定を行うかを分析する記述的意思決定理論の2つの分野に分けられます。
- 決定木学習
- 決定木(予測モデルとして) を使用して、項目に関する観察 (枝で表されます) から項目の目標値 (葉で表されます) に関する結論を導きます。これは、統計、データ マイニング、機械学習で使用される予測モデリング アプローチの 1 つです。
- 宣言型プログラミング
- プログラミングパラダイム（コンピュータプログラムの構造と要素を構築するスタイル）は、制御フローを記述せずに計算のロジックを表現します。[141]
- 演繹的分類器
- 人工知能推論エンジンの一種。医学研究や分子生物学などの分野に関するフレーム言語の宣言セットを入力として受け取ります。たとえば、クラス名、サブクラス名、プロパティ名、許容値に対する制限などです。
- ディープブルー
- IBMが開発したチェス用コンピュータ。通常の時間制限下で現世界チャンピオンとのチェスゲームとチェスマッチの両方に勝利した初のコンピュータチェスシステムとして知られている。
- ディープラーニング
- ニューラル ネットワークを利用して分類、回帰、表現学習などのタスクを実行することに重点を置いた機械学習のサブセット。この分野は生物学的神経科学からヒントを得ており、人工ニューロンを層状に積み重ね、データを処理できるように「トレーニング」することに重点を置いています。「ディープ」という形容詞は、ネットワークで複数の層 (3 層から数百または数千層) を使用することを意味します。使用される方法は、教師あり、半教師あり、教師なしのいずれかです。
- ディープマインドテクノロジーズ
- 2010年9月に設立された英国の人工知能企業。現在はアルファベット社の傘下。ロンドンに本社を置き、カナダ、[142] 、 フランス、[143]、米国に研究センターを持つ。 2014年にグーグル社に買収された同社は、人間と同様の方法でビデオゲームのプレイ方法を学習するニューラルネットワーク[144]やニューラルチューリングマシン[145]、または従来のチューリングマシンのように外部メモリにアクセスできる可能性のあるニューラルネットワークを開発し、人間の脳の短期記憶を模倣するコンピューターを生み出した。 [146] [147]同社は2016年に、同社のAlphaGoプログラムが世界チャンピオンのプロ囲碁プレイヤー、イ・セドルを5ゲームマッチで破り、ドキュメンタリー映画の題材となったことで話題になった。[148]より汎用的なプログラムであるAlphaZeroは、強化学習を用いて自分自身と数日対戦した後、囲碁、チェス、将棋（日本のチェス）で最も強力なプログラムに勝利した。 [149]
- デフォルトロジック
- デフォルトの仮定による推論を形式化するためにレイモンド・ライターによって提案された非単調論理。
- ノイズを含むアプリケーションの密度ベースの空間クラスタリング(DBSCAN)
- 1996年にMartin Ester、Hans-Peter Kriegel、Jörg Sander、Xiaowei Xuによって提案されたクラスタリングアルゴリズム。[150]
- 記述ロジック（DL）
- 形式的知識表現言語のファミリー。多くのDLは命題論理よりも表現力に優れていますが、一階述語論理よりも表現力に劣ります。後者とは対照的に、DLの核となる推論問題は（通常）決定可能であり、これらの問題に対して効率的な決定手順が設計され実装されています。一般、空間、時間、時空間、およびファジー記述論理があり、各記述論理は異なる数学的構成子のセットをサポートすることにより、DLの表現力と推論の複雑さの間の異なるバランスを特徴としています。[151]
- 開発ロボット（DevRob）
- 具現化された機械における新しいスキルと新しい知識の生涯にわたる無制限の学習を可能にする発達メカニズム、アーキテクチャ、制約を研究することを目的とした科学分野。
- 診断
- システムの動作が正しいかどうかを判断できるアルゴリズムと技術の開発に関係します。システムが正しく機能していない場合、アルゴリズムは、システムのどの部分が故障しているか、どのような種類の障害に直面しているかを可能な限り正確に判断できなければなりません。計算は、現在の動作に関する情報を提供する観察に基づいています。
- 対話システム
- 一貫した構造で人間と会話することを目的としたコンピュータ システム。対話システムでは、入力チャネルと出力チャネルの両方で、テキスト、音声、グラフィックス、触覚、ジェスチャなどの通信モードが採用されています。
- 拡散モデル
- 機械学習において、拡散モデルは拡散確率モデルまたはスコアベースの生成モデルとも呼ばれ、潜在変数モデルの一種です。これらは変分推論を使用してトレーニングされたマルコフ連鎖です。[152]拡散モデルの目的は、データポイントが潜在空間を拡散する方法をモデル化することにより、データセットの潜在構造を学習することです。コンピュータービジョンでは、これは、ニューラルネットワークが拡散プロセスを逆に学習することにより、ガウスノイズでぼやけた画像をノイズ除去するようにトレーニングされることを意味します。 [153] [154]これは主に、順方向プロセス、逆方向プロセス、およびサンプリング手順という3つの主要コンポーネントで構成されます。[155]コンピュータービジョンで使用される一般的な拡散モデリングフレームワークの3つの例は、ノイズ除去拡散確率モデル、ノイズ条件付きスコアネットワーク、および確率微分方程式です。[156]
- ダイクストラのアルゴリズム
- たとえば道路網を表す重み付きグラフ内のノード間の最短経路を見つけるアルゴリズム。
- 次元削減
- 主変数の集合を得ることによって、検討中のランダム変数の数を減らすプロセス[157] 。これは特徴選択と特徴抽出に分けられる。[158]
- 離散システム
- 可算な数の状態を持つシステム。離散システムは、アナログ システムとも呼ばれる連続システムと対比されることがあります。最終的な離散システムは、有向グラフでモデル化されることが多く、計算理論に従って正確性と複雑さが分析されます。離散システムは可算な数の状態を持つため、正確な数学モデルで記述できます。コンピューターは、離散システムと見なすことができる有限状態マシンです。コンピューターは、他の離散システムだけでなく連続システムのモデル化にも使用されることが多いため、現実世界の連続システムを離散システムとして表す方法が開発されています。そのような方法の 1 つに、離散時間間隔で連続信号をサンプリングする方法があります。
- 分散型人工知能(DAI)
- 問題に対する分散ソリューションの開発に特化した人工知能研究のサブフィールド。DAIはマルチエージェントシステムの分野と密接に関連しており、その前身です。[159]
- ドロップアウト
- トレーニング データに対する複雑な共適応を防ぐことで、人工ニューラル ネットワークの過剰適合を減らすための正規化手法。
- 動的認識論的論理(DEL)
- 知識と情報の変化を扱う論理フレームワーク。通常、DEL は複数のエージェントが関与する状況に焦点を当て、イベントが発生したときにエージェントの知識がどのように変化するかを研究します。
え
- 熱心な学習
- システムのトレーニング中に、入力に依存しない一般的なターゲット関数を構築しようとする学習方法。これは、トレーニングデータを超えた一般化がシステムにクエリが行われるまで遅延される遅延学習とは対照的です。[160]
- 早期終了
- 勾配降下法などの反復法を使用して機械学習モデルをトレーニングするときによく使用される正規化手法。
- エバートテスト
- コンピューターベースの合成音声[161] [162]が、人々を笑わせるのに十分なスキルでジョークを言うことができるかどうかを測るテスト。[163]これは、2011年のTEDカンファレンスで映画評論家のロジャー・エバートが提案したもので、ソフトウェア開発者への課題として、コンピューター音声に人間の話し方の抑揚、話し方、タイミング、イントネーションを習得させることを求めた。[161]このテストは、人間と区別がつかないパフォーマンスを生成することでコンピューターが知的な行動を示す能力を測る方法として、1950年にアラン・チューリングが提案したチューリングテストに似ている。[ 164 ]
- エコーステートネットワーク(ESN)
- 疎結合の隠れ層（通常 1% の結合）を持つリカレントニューラルネットワーク。隠れニューロンの結合と重みは固定されており、ランダムに割り当てられます。出力ニューロンの重みは、ネットワークが特定の時間パターンを（再）生成できるように学習できます。このネットワークの主な利点は、その動作は非線形であるにもかかわらず、トレーニング中に変更される重みは、隠れニューロンを出力ニューロンに接続するシナプスの重みのみであることです。したがって、誤差関数はパラメータベクトルに関して 2 次式であり、簡単に線形システムに微分化できます。[165] [166]
- 具現化されたエージェント
- 環境内の物理的な身体を通じて環境と相互作用するインテリジェントエージェント。人間や漫画の動物など、身体でグラフィカルに表現されるエージェントは、物理的な身体ではなく仮想的な身体を持っているにもかかわらず、具現化エージェントとも呼ばれます。[167]
- 身体認知科学
- 知的行動の根底にあるメカニズムを解明することを目的とした学際的な研究分野。1) 心と体をひとつの実体として捉える総合的な方法で心理的および生物学的システムをモデル化すること、2) 知的行動の一般的な原則を形成すること、3) 制御された環境でロボットエージェントを実験的に使用すること、という 3 つの主な方法論で構成されています。
- エラー駆動型学習
- 機械学習のサブ領域で、エラー フィードバックを最小限に抑えるためにエージェントが環境内でどのようにアクションを取るべきかを扱います。強化学習の一種です。
- アンサンブル学習
- 複数の機械学習アルゴリズムを使用することで、構成する学習アルゴリズムのいずれか単独よりも優れた予測性能が得られます。 [168] [169] [170]
- エポック
- 機械学習、特に人工ニューラル ネットワークの作成では、エポックは完全なトレーニング データセットを通じて 1 サイクルにわたってモデルをトレーニングすることです。小規模なモデルは通常、検証データセットで最高のパフォーマンスに達するまでに必要な数のエポックにわたってトレーニングされます。最も大規模なモデルは 1 つのエポックのみトレーニングされることがあります。
- 人工知能の倫理
- 人工知能に特有の技術倫理の部分。
- 進化アルゴリズム(EA)
- 進化的計算のサブセット[171] 。一般的な集団ベースのメタヒューリスティック 最適化アルゴリズム。EAは、生殖、突然変異、組み換え、選択などの生物学的進化にヒントを得たメカニズムを使用します。最適化問題に対する候補解は集団内の個体の役割を果たし、適応度関数は解の質を決定します（損失関数も参照）。上記の演算子を繰り返し適用することで集団の進化が起こります。
- 進化計算
- 生物の進化にヒントを得たグローバル最適化アルゴリズムのファミリー、およびこれらのアルゴリズムを研究する人工知能とソフトコンピューティングのサブフィールド。技術的には、メタヒューリスティックまたは確率的最適化の特性を持つ、集団ベースの試行錯誤問題解決器のファミリーです。
- 進化型分類関数(ECF)
- 進化する分類関数は、機械学習や人工知能の分野で分類やクラスタリングを行うために使用され、通常は動的かつ変化する環境でのデータ ストリーム マイニングタスクに利用されます。
- 実存的リスク
- 汎用人工知能（AGI）の大幅な進歩が、いつか人類の絶滅やその他の回復不能な地球規模の大惨事をもたらす可能性があるという仮説。[172] [173] [174]
- エキスパートシステム
- 人間の専門家の意思決定能力を模倣するコンピュータシステム。[175]エキスパートシステムは、従来の手続き型コードではなく、主にif-thenルールとして表現される知識体系を通じて推論することで複雑な問題を解決するように設計されています。[176]
ふ
- 節約木
- 分類木の一種。高速で簡素な木は、辞書式分類器として機能し、必要に応じて各クラスまたはカテゴリにアクション（決定）を関連付ける意思決定ツールとして使用できます。[177]
- 特徴
- 現象の個々の測定可能な特性または特徴。[178]コンピュータビジョンと画像処理では、特徴とは画像の内容に関する情報であり、通常は画像の特定の領域が特定の特性を持っているかどうかに関する情報です。特徴は、画像内の特定の構造（点、エッジ、オブジェクトなど）である場合もあれば、画像に適用された一般的な近傍操作または特徴検出の結果である場合もあります。
- 特徴抽出
- 機械学習、パターン認識、画像処理では、特徴抽出は測定データの初期セットから始まり、有益で冗長性のない派生値（特徴）を構築して、後続の学習および一般化の手順を容易にし、場合によっては人間による解釈の向上につながります。
- 特徴学習
- 機械学習において、特徴学習または表現学習[179]は、システムが生データから特徴検出または分類に必要な表現を自動的に発見できるようにする一連の技術です。これは手動の特徴エンジニアリングに代わるもので、機械が特徴を学習し、それを使用して特定のタスクを実行できるようにします。
- 特徴選択
- 機械学習と統計学において、特徴選択（変数選択、属性選択、変数サブセット選択とも呼ばれる）は、モデル構築で使用するために関連する特徴（変数、予測子）のサブセットを選択するプロセスです。
- 連合学習
- 分散データを使用して複数のデバイスでモデルをトレーニングできる機械学習技術。これにより、個々のユーザーとそのデータのプライバシーを保護することができます。
- 一階論理
- 数学、哲学、言語学、コンピュータサイエンスで使われる形式体系の集合。一階述語論理は非論理的対象に対して量化された変数を使用し、変数を含む文の使用を可能にする。そのため、ソクラテスは人間であるなどの命題の代わりに、「Xが存在し、Xはソクラテスであり、Xは人間である」という形式の表現が可能であり、 Xが変数である間は量指定子が存在する。 [180]この点が、量指定子や関係を使用しない命題論理との違いである。[181]
- 流暢
- 時間の経過とともに変化する可能性がある状態。アクションについての推論に対する論理的アプローチでは、流暢性は、時間に依存する引数を持つ述語によって一階論理で表現できます。
- 正式な言語
- アルファベットから文字が選ばれ、特定の規則に従って整形式化された単語の集合。
- 前方連鎖
- 推論エンジンを使用する際の 2 つの主な推論方法の 1 つであり、論理的には、モーダスポネンスの繰り返し適用として説明できます。フォワード チェーニングは、エキスパート システム、ビジネス、およびプロダクション ルール システムで一般的な実装戦略です。フォワード チェーニングの反対は、バックワード チェーニングです。フォワード チェーニングは、利用可能なデータから開始し、目標に到達するまで推論ルールを使用してより多くのデータ (たとえば、エンド ユーザーから) を抽出します。フォワード チェーニングを使用する推論エンジンは、前提(If 節) が真であることがわかっているルールが見つかるまで推論ルールを検索します。そのようなルールが見つかると、エンジンは結果(Then 節)を結論付けまたは推論することができ、その結果、データに新しい情報が追加されます。 [182]
- フレーム
- 「定型的な状況」を表現することによって知識をサブ構造に分割するために使用される人工知能データ構造。フレームは、人工知能フレーム言語で使用される主要なデータ構造です。
- フレーム言語
- 人工知能における知識表現に使用される技術。フレームは、フレーム概念のセットおよびサブセットのオントロジーとして保存されます。基本的な設計目標は異なりますが、オブジェクト指向言語のクラス階層に似ています。フレームは知識の明示的かつ直感的な表現に重点を置いているのに対し、オブジェクトはカプセル化と情報の隠蔽に重点を置いています。フレームは AI 研究で生まれ、オブジェクトは主にソフトウェア エンジニアリングで生まれました。ただし、実際には、フレーム言語とオブジェクト指向言語の技術と機能は大幅に重複しています。
- フレームの問題
- ロボット環境の実行可能な記述のための適切な公理の集合を見つける問題。[183]
- フレンドリーな人工知能
- 人類に良い影響を与えるであろう仮想の汎用人工知能 (AGI)。これは人工知能の倫理の一部であり、機械倫理と密接に関連しています。機械倫理は人工知能エージェントがどのように行動すべきかに関係していますが、友好的な人工知能の研究は、この行動を実際にどのように実現し、適切に制約されるかに重点を置いています。
- 未来研究
- 可能性のある、起こりそうな、望ましい未来と、それらの根底にある世界観や神話を仮定する研究。 [184]
- ファジー制御システム
- ファジー論理に基づく制御システム。これは、1または0（それぞれ真または偽）の離散値で動作する古典的論理またはデジタル論理とは対照的に、0から1までの連続値をとる論理変数の観点からアナログ入力値を分析する数学的システムです。[185] [186]
- ファジー論理
- 多値論理の単純な形式。変数の真理値は、0 (完全に偽) から 1 (完全に真) までの範囲の任意の実数で表すことができる任意の「真実度」を持つことができます。したがって、これは、真理値が完全に真から完全に偽までの範囲になる部分的な真実の概念を処理するために使用されます。変数の真理値が整数値 0 または 1 のみを持つことができるブール論理とは対照的です。
- ファジールール
- 入力変数に基づいて出力を推測するためにファジー ロジック システム内で使用されるルール。
- ファジー集合
- 古典的集合論では、集合内の要素の所属は、二価条件（要素が集合に属するか属さないか）に従って二項で評価される。対照的に、ファジー集合論では、集合内の要素の所属を段階的に評価することができる。これは、実数単位区間 [0, 1] で値を取る所属関数の助けを借りて記述される。ファジー集合は古典的集合を一般化する。なぜなら、古典的集合の指示関数（別名特性関数）は、ファジー集合の所属関数の特殊なケースであり、後者が 0 または 1 の値しか取らない場合であるからである。 [187]ファジー集合論では、古典的二価集合は通常、クリスプ集合と呼ばれる。ファジー集合論は、バイオインフォマティクスなど、情報が不完全または不正確な幅広い分野で使用できる。[188]
グ
- ゲーム理論
- 合理的な意思決定者間の戦略的相互作用の数学的モデルの研究。 [189]
- 一般的なゲームプレイ（GGP）
- 一般的なゲームプレイとは、複数のゲームを正常に実行してプレイできるように人工知能プログラムを設計することです。[190] [191] [192]
- 生成的敵対ネットワーク(GAN)
- 機械学習システムの一種。2 つのニューラル ネットワークがゼロサム ゲームフレームワークで互いに競合します。
- 生成型人工知能
- 生成型人工知能は、プロンプトに応じてテキスト、画像、またはその他のメディアを生成できる人工知能です。[193] [194]生成AIモデルは、入力されたトレーニングデータのパターンと構造を学習し、通常はトランスフォーマーベースのディープニューラルネットワークを使用して、類似した特性を持つ新しいデータを生成します。[195] [196]
- 遺伝的アルゴリズム(GA)
- 自然淘汰のプロセスにヒントを得たメタヒューリスティックで、進化的アルゴリズム（EA）のより大きなクラスに属します。遺伝的アルゴリズムは、突然変異、交差、選択などの生物学にヒントを得た演算子を利用して、最適化や検索の問題に対する高品質のソリューションを生成するためによく使用されます。[197]
- 遺伝子オペレーター
- 遺伝的アルゴリズムで、アルゴリズムを特定の問題の解決に導くために使用される演算子。演算子には主に 3 つの種類 (突然変異、交差、選択) があり、アルゴリズムが成功するためには、これらの演算子が相互に連携して動作する必要があります。
- 生成的事前学習済みトランスフォーマー(GPT)
- テキストを生成するトランスフォーマーアーキテクチャに基づく大規模言語モデル。まず、テキスト内の次のトークン（トークンは通常、単語、サブワード、または句読点）を予測するように事前トレーニングされます。事前トレーニング後、GPTモデルは、次に続くと予想されるトークンを繰り返し予測することで、人間のようなテキストを生成できます。GPTモデルは通常、幻覚や有害な行動を減らすために、または出力を会話形式でフォーマットするために、人間のフィードバックからの強化学習などを使用して微調整されます。[198]
- グローワーム群最適化
- ツチボタル(ホタルまたはホタルとも呼ばれる)の行動に基づいた群知能最適化アルゴリズム。
- 勾配ブースティング
- 関数空間でのブースティングに基づく機械学習手法。ターゲットは、従来のブースティングのような残差ではなく、疑似残差です。
- グラフ（抽象データ型）
- コンピュータ サイエンスにおいて、グラフは、数学、特にグラフ理論の分野における無向グラフと有向グラフの概念を実装することを目的とした抽象データ型です。
- グラフ（離散数学）
- 数学、特にグラフ理論において、グラフとは、ある意味で「関連している」オブジェクトのペアを持つオブジェクトの集合に相当する構造である。オブジェクトは頂点（ノードまたはポイントとも呼ばれる）と呼ばれる数学的抽象に対応し、関連する頂点のペアはそれぞれエッジ（弧または線とも呼ばれる）と呼ばれる。[199]
- グラフデータベース(GDB)
- グラフ構造を使用して、ノード、エッジ、プロパティを使用してセマンティッククエリを実行し、データを表現し、保存するデータベース。システムの重要な概念はグラフ（またはエッジ、関係）であり、ストア内のデータ項目を直接関連付けます。ストアはデータのノードのコレクションであり、エッジはノード間の関係を表します。関係により、ストア内のデータを直接リンクでき、多くの場合、1 回の操作で取得できます。グラフデータベースは、データ間の関係を優先的に保持します。グラフデータベース内の関係はデータベース自体に永続的に保存されるため、クエリは高速です。グラフデータベースを使用すると、関係を直感的に視覚化できるため、相互接続が密集したデータに役立ちます。[200] [201]
- グラフ理論
- オブジェクト間のペアの関係をモデル化するために使用される数学的構造であるグラフの研究。
- グラフトラバーサル
- グラフ内の各頂点を訪問（チェックおよび/または更新）するプロセス。このようなトラバーサルは、頂点を訪問する順序によって分類されます。ツリー トラバーサルは、グラフ トラバーサルの特殊なケースです。
H
- 幻覚
- AI によって生成された応答に、事実として提示された虚偽または誤解を招く情報が含まれています。
- ヒューリスティック
- 従来の方法では遅すぎる場合に問題をより速く解くために、または従来の方法では正確な解が見つからない場合に近似解を見つけるために設計された手法。これは、最適性、完全性、正確性、または精度を速度と引き換えに達成されます。ある意味では、近道と考えることができます。ヒューリスティック関数は、単にヒューリスティックとも呼ばれ、利用可能な情報に基づいて各分岐ステップで探索アルゴリズムの選択肢をランク付けし、どの分岐に従うかを決定する関数です。たとえば、正確な解を近似する場合があります。[202]
- 人工ニューラル ネットワーク内の、入力層でも出力層でもないニューロンの層。
- ハイパーヒューリスティック
- 計算探索問題を効率的に解決するために、いくつかのより単純なヒューリスティック（またはそのようなヒューリスティックのコンポーネント）を選択、組み合わせ、生成、または適応するプロセスを自動化しようとするヒューリスティック探索方法。多くの場合、機械学習技術を組み込むことによって行われます。ハイパーヒューリスティックを研究する動機の1つは、1つの問題を解決するのではなく、問題のクラスを処理できるシステムを構築することです。[203] [204] [205]
- ハイパーパラメータ
- 機械学習モデルの学習プロセスの構成可能な部分を定義するために設定できるパラメーター。
- ハイパーパラメータ最適化
- 学習アルゴリズムに最適なハイパーパラメータのセットを選択するプロセス。
- 超平面
- 機械学習分類器における決定境界。入力空間を 2 つ以上のセクションに分割し、各セクションを一意のクラス ラベルに対応させます。
私
- IEEE 計算知能学会
- 電気電子技術者協会（IEEE）の専門団体で、「ニューラルネットワーク、コネクショニストシステム、遺伝的アルゴリズム、進化的プログラミング、ファジーシステム、およびこれらのパラダイムが含まれるハイブリッドインテリジェントシステムに重点を置いた、生物学的および言語学的に動機付けられた計算パラダイムの理論、設計、応用、および開発」に焦点を当てています。[206]
- 漸進的学習
- 機械学習の手法の 1 つで、入力データを継続的に使用して既存のモデルの知識を拡張し、モデルをさらにトレーニングします。これは、トレーニング データが時間の経過とともに徐々に利用可能になった場合や、トレーニング データのサイズがシステム メモリの制限を超えた場合に適用される、教師あり学習と教師なし学習の動的な手法です。増分学習を促進できるアルゴリズムは、増分機械学習アルゴリズムと呼ばれます。
- 推論エンジン
- 知識ベースに論理ルールを適用して新しい情報を推測するシステムのコンポーネント。
- 情報統合（II）
- 異なる概念、文脈、印刷表現を持つ異種情報源からの情報の統合。これは、データマイニングや非構造化または半構造化リソースからのデータの統合に使用されます。通常、情報統合は知識のテキスト表現を指しますが、リッチメディアコンテンツに適用されることもあります。関連用語である情報融合は、冗長性と不確実性を減らすために、情報を組み合わせて新しい情報セットを作成することを伴います。[131]
- 情報処理言語(IPL)
- リスト、動的メモリ割り当て、データ型、再帰、引数としての関数、ジェネレータ、協調型マルチタスクなど、単純な問題解決アクションを実行するプログラムを支援するための機能を備えたプログラミング言語。IPLは、アセンブリ言語スタイルではあるが、リスト処理の概念を発明しました。
- 知能増幅（IA）
- 人間の知能を高めるための情報技術の効果的な利用。
- 知能爆発
- 人類が人工汎用知能 (AGI) を構築した場合に起こり得る結果。AGI は再帰的な自己改善が可能になり、技術的特異点の時点で、限界が不明な ASI (人工超知能) が急速に出現することになります。
- インテリジェントエージェント(IA)
- センサーとそれに伴うアクチュエーターによる観察を使用して環境に対して目標達成に向けて活動する自律的なエンティティ(つまりエージェント)。インテリジェントエージェントは目標を達成するために知識を学習したり使用したりすることもできます。非常に単純な場合もあれば、非常に複雑な場合もあります。
- インテリジェント制御
- ニューラルネットワーク、ベイズ確率、ファジー論理、機械学習、強化学習、進化計算、遺伝的アルゴリズムなどのさまざまな人工知能コンピューティングアプローチを使用する制御技術のクラス。[207]
- インテリジェントなパーソナルアシスタント
- 口頭の指示に基づいて個人のためにタスクやサービスを実行できるソフトウェアエージェント。「チャットボット」という用語は、オンラインチャット（または場合によっては娯楽目的専用のオンラインチャットプログラム）によって一般的にまたは特にアクセスされる仮想アシスタントを指すために使用されることがあります。一部の仮想アシスタントは、人間の発話を解釈し、合成音声で応答することができます。ユーザーはアシスタントに質問したり、ホームオートメーションデバイスやメディア再生を音声で制御したり、電子メール、ToDoリスト、カレンダーなどの他の基本的なタスクを口頭の指示で管理したりできます。[208]
- 解釈
- 形式言語の記号に意味を割り当てること。数学、論理学、理論計算機科学で使用される形式言語の多くは、構文用語のみで定義されており、何らかの解釈が与えられるまで意味を持ちません。形式言語の解釈に関する一般的な研究は、形式意味論と呼ばれます。
- 内発的動機
- 知的エージェントは、行動から得られる経験の情報量のみが動機付け要因である場合、内発的に行動する動機付けがある。この文脈における情報量は、情報理論の意味で不確実性を定量化するものとして測定される。典型的な内発的動機付けは、食べ物の探索などの典型的な外発的動機付けとは対照的に、異常な（驚くべき）状況の探索である。内発的に動機付けられた人工エージェントは、探索や好奇心に似た行動を示す。[209]
- 問題ツリー
- 問題を縦に分割し、右に行くほど詳細になっていくグラフの内訳。[210] : 47 問題ツリーは、問題の根本原因を特定し、潜在的な解決策を特定するために問題解決 に役立ちます。また、問題の各部分が問題全体の中でどのように当てはまるかを確認するための参照ポイントも提供します。[211]
J
- ジャンクションツリーアルゴリズム
- 機械学習で一般的なグラフの周辺化を抽出するために使用される方法。本質的には、ジャンクションツリーと呼ばれる修正されたグラフ上で信念伝播を実行する必要があります。グラフは、データのさまざまなセクションに分岐するためツリーと呼ばれます。変数のノードは枝です。[212]
け
- カーネル法
- 機械学習において、カーネル法はパターン分析のためのアルゴリズムの一種であり、最もよく知られているのはサポートベクターマシン (SVM) です。パターン分析の一般的なタスクは、データセット内の一般的なタイプの関係 (例: クラスター分析、ランキング、主成分、相関関係、分類) を見つけて調査することです。
- KL-ワン
- 意味ネットワークとフレームの伝統に基づくよく知られた知識表現システム。つまり、フレーム言語である。このシステムは、意味ネットワーク表現における意味の不明瞭さを克服し、概念情報を構造化された継承ネットワークとして明示的に表現しようとする試みである。[213] [214] [215]
- k近傍
- 1951年にエブリン・フィックスとジョセフ・ホッジスによって最初に開発され、 [216]後にトーマス・カバーによって拡張された非パラメトリック教師あり学習法。[ 212]分類と回帰に使用されます。
- 知識獲得
- 知識ベース システムに必要なルールとオントロジーを定義するために使用されるプロセス。このフレーズは、エキスパート システムと組み合わせて、エキスパート システムの開発に関連する初期タスク、つまりドメインエキスパートを見つけてインタビューし、ルール、オブジェクト、およびフレーム ベースの オントロジーを介してその知識を取得するタスクを説明するために最初に使用されました。
- 知識ベースシステム（KBS）
- 複雑な問題を解決するために知識ベースを推論および使用するコンピュータプログラム。この用語は広義で、さまざまな種類のシステムを指します。すべての知識ベース システムに共通する 1 つのテーマは、知識を明示的に表現する試みと、新しい知識を導き出す推論システムです。したがって、知識ベース システムには、知識ベースと推論エンジンという 2 つの際立った特徴があります。
- 知識の蒸留
- 大規模な機械学習モデルから小規模なモデルに知識を転送するプロセス。
- 知識工学（KE）
- 知識ベースシステムの構築、維持、使用に関わるすべての技術的、科学的、社会的側面。
- 知識抽出
- 構造化 (リレーショナル データベース、XML ) および非構造化 (テキスト、ドキュメント、画像) ソースからの知識の作成。結果として得られる知識は、機械可読かつ機械解釈可能な形式である必要があり、推論を容易にする方法で知識を表現する必要があります。方法論的には情報抽出やETLに似ていますが、主な基準は、抽出結果が構造化情報の作成やリレーショナル スキーマへの変換を超えることです。既存の形式的知識の再利用(識別子またはオントロジーの再利用) またはソース データに基づくスキーマの生成が必要です。
- ナレッジ交換フォーマット(KIF)
- システムが知識ベースシステムからの情報を共有および再利用できるように設計されたコンピュータ言語。KIF はKL-ONEやLOOMなどのフレーム言語に似ていますが、そのような言語とは異なり、その主な役割は知識の表現や使用のためのフレームワークではなく、システム間での知識の交換を目的としています。KIF の設計者は、それをPostScriptに例えました。PostScript は主に文書を保存および操作するための言語として設計されたのではなく、システムやデバイスが文書を共有するための交換フォーマットとして設計されました。同様に、KIF は異なる言語、形式、プラットフォームなどを使用する異なるシステム間での知識の共有を容易にすることを目的としています。
- 知識表現と推論（KR² または KR&R）
- 人工知能の分野。世界に関する情報を、コンピュータシステムが病状の診断や自然言語での対話などの複雑なタスクを解決するために利用できる形式で表現することを目指しています。知識表現には、人間がどのように問題を解決し知識を表現するかについての心理学[217]の知見が組み込まれており、複雑なシステムの設計と構築を容易にする形式を設計しています。知識表現と推論には、ルールの適用やセットとサブセットの関係など、さまざまな種類の推論を自動化するための論理の知見も組み込まれています。[218]知識表現形式の例としては、セマンティックネット、システムアーキテクチャ、フレーム、ルール、オントロジーなどがあります。自動推論エンジンの例には、推論エンジン、定理証明器、分類器などがあります。
- k平均法クラスタリング
- 信号処理から生まれたベクトル量子化の手法で、n 個の観測値をk個のクラスターに分割することを目的とし、各観測値はクラスターのプロトタイプとして機能する最も近い平均値(クラスター中心またはクラスター重心) を持つクラスターに属します。
ら
- 言語モデル
- 自然言語を操作する確率モデル。
- 大規模言語モデル(LLM)
- 訓練中に調整される多数のパラメータ（通常は少なくとも10億）を持つ言語モデル。そのサイズのため、訓練には大量のデータと計算能力が必要となる。大規模な言語モデルは通常、トランスフォーマーアーキテクチャに基づいています。[219]
- 怠惰な学習
- 機械学習において、遅延学習とは、システムがクエリを受信する前にトレーニング データを一般化しようとする積極的学習とは対照的に、理論上は、システムに対してクエリが行われるまでトレーニング データの一般化が遅延される学習方法です。
- Lisp (プログラミング言語) (LISP)
- 長い歴史と特徴的な完全に括弧で囲まれた接頭辞表記法を持つプログラミング言語ファミリー。[220]
- 論理プログラミング
- 主に形式論理に基づいたプログラミング パラダイムの一種。論理プログラミング言語で書かれたプログラムは、論理形式で書かれた一連の文であり、何らかの問題領域に関する事実と規則を表現します。主要な論理プログラミング言語ファミリには、Prolog、回答セット プログラミング (ASP)、および Datalog があります。
- 長期短期記憶（LSTM）
- 深層学習の分野で使用されている人工リカレントニューラルネットワークアーキテクチャ[221] 。標準的なフィードフォワードニューラルネットワークとは異なり、LSTMはフィードバック接続を備えているため、「汎用コンピュータ」になります（つまり、チューリングマシンが計算できるものはすべて計算できます）。[222]単一のデータポイント（画像など）だけでなく、データのシーケンス全体（音声やビデオなど）も処理できます。
ま
- マシンビジョン（MV）
- 自動検査、プロセス制御、ロボット誘導などのアプリケーションで、通常は産業界で使用される、画像ベースの自動検査および分析を提供するために使用される技術と方法。マシン ビジョンは、多数の技術、ソフトウェアおよびハードウェア製品、統合システム、アクション、方法、専門知識を包含する用語です。システム エンジニアリング分野としてのマシン ビジョンは、コンピュータ サイエンスの一形態であるコンピュータ ビジョンとは異なるものと考えることができます。既存の技術を新しい方法で統合し、それを適用して現実世界の問題を解決しようとします。この用語は、産業オートメーション環境におけるこれらの機能でよく使用されますが、セキュリティや車両誘導などの他の環境でもこれらの機能に使用されます。
- マルコフ連鎖
- 起こりうる一連の出来事を記述する確率モデル。各出来事の確率は、前の出来事で達成された状態のみに依存する。[223] [224]
- マルコフ決定過程(MDP)
- 離散時間 確率 制御プロセス。結果が部分的にランダムで部分的に意思決定者の制御下にある状況での意思決定をモデル化するための数学的フレームワークを提供します。MDP は、動的プログラミングと強化学習によって解決される最適化問題を研究するのに役立ちます。
- 数学的最適化
- 数学、コンピュータサイエンス、オペレーションズリサーチにおいて、利用可能な選択肢の集合から（ある基準に関して）最良の要素を選択すること。[225]
- 機械学習（ML）
- 明示的な指示を使用せずにパターンと推論に依存して特定のタスクを効果的に実行するためにコンピュータ システムが使用するアルゴリズムと統計モデルの科学的研究。
- 機械によるリスニング
- 機械による音声理解のためのアルゴリズムとシステムの一般的な研究分野。[226] [227]
- 機械認識
- 人間が感覚を使って周囲の世界と関わるのと同様の方法でデータを解釈するコンピュータシステムの能力。[228] [229] [230]
- 機構設計
- 経済学とゲーム理論の分野。戦略的設定において、プレイヤーが合理的に行動する中で、望ましい目標に向けた経済的メカニズムやインセンティブを工学的アプローチで設計する。ゲームの終わりから始まり、逆方向に進んでいくため、逆ゲーム理論とも呼ばれる。経済や政治（市場、オークション、投票手順）からネットワーク システム（インターネットのドメイン間ルーティング、スポンサー付き検索オークション）まで、幅広い用途がある。
- メカトロニクス
- 電気システムと機械システムの両方の工学に焦点を当て、ロボット工学、電子工学、コンピューター、電気通信、システム、制御、製品工学を組み合わせた工学の学際的な分野。[231] [232]
- 代謝ネットワークの再構築とシミュレーション
- 特定の生物の分子メカニズムを深く理解することを可能にします。特に、これらのモデルはゲノムと分子生理学を相関させます。[233]
- メタヒューリスティック
- コンピュータサイエンスと数学的最適化において、メタヒューリスティックとは、特に不完全または不完全な情報や限られた計算能力がある場合に、最適化問題に対して十分に優れた解決策を提供できるヒューリスティック（部分探索アルゴリズム）を見つけ、生成し、選択するように設計された高レベルの手順またはヒューリスティックです。[ 234 ] [ 235 ]メタヒューリスティックは、完全にサンプリングするには大きすぎるソリューションのセットをサンプリングします。
- モデル検査
- コンピュータサイエンスにおいて、モデル検査またはプロパティ検査とは、システムの特定のモデルについて、このモデルが特定の仕様を満たしているかどうかを徹底的に自動的に検査することです。通常、ハードウェアまたはソフトウェア システムが念頭に置かれますが、仕様には、デッドロックやシステムのクラッシュを引き起こす可能性のある同様の重大な状態がないことなどの安全要件が含まれます。モデル検査は、有限状態システムの正確性プロパティを自動的に検証する手法です。
- モーダスポネンス
- 命題論理において、モーダス・ポネンスは推論の規則である。[236]これは「 PはQを意味し、Pは真であると主張されているので、Qは真でなければならない」と要約できる。
- モーダストレンス
- 命題論理において、モーダストレンスは有効な 議論形式であり、推論規則です。これは、文が真であればその逆説も真であるという一般的な真理の応用です。モーダストレンスの推論規則は、Pからの推論はQ を意味し、 Q の否定はP の否定を意味すると主張します。
- モンテカルロ木探索
- コンピュータサイエンスにおいて、モンテカルロ木探索 (MCTS)は、ある種の意思決定プロセスのためのヒューリスティック探索アルゴリズムです。
- マルチエージェントシステム(MAS)
- 複数の相互作用するインテリジェント エージェントから構成されるコンピューター システム。マルチエージェント システムは、個々のエージェントやモノリシック システムでは解決が困難または不可能な問題を解決できます。インテリジェンスには、方法論的、機能的、手続き型アプローチ、アルゴリズム 検索、強化学習などが含まれます。
- 多層パーセプトロン(MLP)
- ディープラーニングにおいて、多層パーセプトロン（MLP）は、非線形活性化関数を持つ完全結合ニューロンから構成される層状に構成された最新のフィードフォワードニューラルネットワークの名称であり、線形に分離できないデータを区別できることが特徴です。[237]
- マルチスウォーム最適化
- 1 つの (標準の) 群れの代わりに複数のサブ群れを使用することに基づく、粒子群最適化(PSO)の変形です。マルチ群最適化の一般的なアプローチは、特定の多様化方法によってサブ群れをいつどこで起動するかが決定され、各サブ群が特定の領域に焦点を合わせるというものです。マルチ群フレームワークは、複数の (ローカル) 最適値が存在するマルチモーダル問題の最適化に特に適しています。
- 突然変異
- 遺伝的アルゴリズムの染色体の集団の 1 世代から次の世代への遺伝的多様性を維持するために使用される遺伝的演算子。これは生物学的突然変異に類似しています。突然変異は、染色体の 1 つ以上の遺伝子値を初期状態から変更します。突然変異では、ソリューションが以前のソリューションから完全に変わる場合があります。したがって、GA は突然変異を使用して、より優れたソリューションに到達できます。突然変異は、ユーザー定義可能な突然変異確率に従って進化中に発生します。この確率は低く設定する必要があります。高く設定しすぎると、検索は原始的なランダム検索に変わります。
- マイシン
- 初期の後方連鎖エキスパート システムでは、人工知能を使用して、菌血症や髄膜炎などの重篤な感染症を引き起こす細菌を特定し、患者の体重に応じて投与量を調整した抗生物質を推奨しました。抗生物質の名前は抗生物質自体に由来しており、多くの抗生物質には接尾辞「-mycin」が付いています。MYCIN システムは、血液凝固疾患の診断にも使用されました。
いいえ
- 単純ベイズ分類器
- 機械学習において、ナイーブベイズ分類器は、特徴間の強い（ナイーブな）独立性の仮定を伴うベイズの定理の適用に基づく、単純な確率分類器のファミリーです。
- 素朴な意味論
- コンピュータサイエンスにおいて、特定のドメインに関する基本的な知識を表現するために使用されるアプローチであり、人工知能アプリケーションにおける自然言語文の意味の表現などのアプリケーションで使用されています。一般的な設定では、この用語は、世界の特定のドメインに関する一般的に理解されている知識の限られたストアの使用を指すために使用され、データスキーマの知識ベースの設計などの分野に適用されています。[238]
- 名前バインディング
- プログラミング言語において、名前のバインディングとは、エンティティ（データやコード）と識別子との関連付けです。[239]オブジェクトにバインドされた識別子は、そのオブジェクトを参照すると言われます。機械語には識別子の概念が組み込まれていませんが、プログラミング言語では、プログラマ向けのサービスおよび表記法として、名前とオブジェクトのバインディングが実装されています。バインディングはスコープと密接に関係しており、スコープによって、どの名前がどのオブジェクトにバインドされるか、つまり、プログラム コードのどの場所（語彙的）で、どの実行パス（時間的
id）でバインドされるかが決まります。バインディングを確立するコンテキストで識別子を使用することをid、バインディング（または定義）オカレンスと呼びます。その他のすべてのオカレンス（式、代入、サブプログラム呼び出しなど）では、識別子はそれがバインドされているものを表します。このようなオカレンスは適用オカレンスと呼ばれます。 - 固有表現抽出(NER)
- 情報抽出のサブタスクであり、非構造化テキスト内の名前付きエンティティの言及を、人名、組織、場所、医療コード、時間表現、数量、金銭的価値、パーセンテージなどの定義済みカテゴリに特定して分類します。
- 名前付きグラフ
- セマンティックウェブアーキテクチャの重要な概念であり、リソース記述フレームワークステートメントのセット（グラフ）がURI [240]を使用して識別され、コンテキスト、出所情報、またはその他のメタデータなどのステートメントセットの記述が可能になります。名前付きグラフは、RDFデータモデル[241]の単純な拡張であり、グラフを作成できますが、このモデルには、Web全体に公開された後にグラフを区別する効果的な手段がありません。
- 自然言語生成(NLG)
- 構造化データを平易な英語のコンテンツに変換するソフトウェア プロセス。組織がカスタム レポートを自動化するための長い形式のコンテンツを作成したり、Web またはモバイル アプリケーション用のカスタム コンテンツを作成したりするために使用できます。また、対話型の会話 (チャットボット) で短いテキストを生成するためにも使用でき、テキスト読み上げシステムによって読み上げられる場合もあります。
- 自然言語処理(NLP)
- コンピュータサイエンス、情報工学、人工知能のサブフィールドの 1 つで、コンピュータと人間の (自然) 言語との相互作用、特に大量の自然言語データを処理および分析するようにコンピュータをプログラムする方法に関係します。
- 自然言語プログラミング
- 英語などの自然言語の文章を用いてオントロジーを活用したプログラミングを行う方法。[242]
- ネットワークモチーフ
- 生物学的ネットワーク、社会的ネットワーク、技術的ネットワーク (コンピュータ ネットワークや電気回路など) など、すべてのネットワークは、さまざまなサブグラフを含むグラフとして表現できます。ネットワークの重要なローカル プロパティの 1 つは、いわゆるネットワーク モチーフです。これは、反復的で統計的に重要なサブグラフまたはパターンとして定義されます。
- ニューラル機械翻訳(NMT)
- 大規模な人工ニューラル ネットワークを使用して一連の単語の可能性を予測する機械翻訳のアプローチ。通常は、文全体を 1 つの統合モデルでモデル化します。
- ニューラルネットワーク
- ニューラルネットワークは、生物学的ニューロンの神経回路（生物学的ニューラルネットワークと呼ばれることもある）、または人工ニューラルネットワークの場合は人工ニューロンまたはノードのネットワークのいずれかを指す。 [243]人工ニューラルネットワークは人工知能（AI）の問題を解決するために使用され、生物学的ニューロンの接続をノード間の重みとしてモデル化する。正の重みは興奮性接続を反映し、負の値は抑制性接続を意味する。すべての入力は重みによって変更され、合計される。このアクティビティは線形結合と呼ばれる。最後に、活性化関数が出力の振幅を制御する。たとえば、出力の許容範囲は通常0〜1だが、-1〜1の場合もある。
- ニューラルチューリングマシン(NTM)
- リカレントニューラルネットワークモデル。NTMは、ニューラルネットワークのファジーパターンマッチング機能とプログラム可能なコンピュータのアルゴリズムパワーを組み合わせたものです。NTMには、外部メモリリソースに結合されたニューラルネットワークコントローラがあり、注意メカニズムを介して相互作用します。メモリの相互作用はエンドツーエンドで微分化可能であり、勾配降下法を使用して最適化することができます。[244]長短期記憶（LSTM）ネットワークコントローラを備えたNTMは、例のみからコピー、ソート、連想呼び出しなどの単純なアルゴリズムを推論できます。[245]
- ニューロファジー
- 人工ニューラル ネットワークとファジー ロジックの組み合わせ。
- ニューロサイバネティクス
- 強化された脳または有線脳と外部デバイス間の直接通信経路。BCIは双方向の情報の流れを可能にするという点で神経調節とは異なります。BCIは、人間の認知機能や感覚運動機能の研究、マッピング、支援、増強、修復を目的としていることが多いです。[246]
- ニューロモルフィックエンジニアリング
- 神経系に存在する神経生物学的構造を模倣するために、電子アナログ回路を含む超大規模集積回路（VLSI）システムの使用を説明する概念。 [247]最近では、ニューロモルフィックという用語は、アナログ、デジタル、混合モードのアナログ/デジタルVLSI、および神経系のモデルを実装するソフトウェアシステム（知覚、運動制御、または多感覚統合用）を説明するために使用されています。ハードウェアレベルでのニューロモルフィックコンピューティングの実装は、酸化物ベースのメモリスタ、[248]スピントロニクスメモリ、[249]しきい値スイッチ、およびトランジスタによって実現できます。[250] [251] [252] [253]
- ノード
- リンク リストやツリーデータ構造などのデータ構造の基本単位。ノードにはデータが含まれ、他のノードにリンクすることもできます。ノード間のリンクは、多くの場合、ポインターによって実装されます。
- 非決定性アルゴリズム
- 決定論的なアルゴリズムとは対照的に、同じ入力であっても、実行ごとに異なる動作を示す可能性があるアルゴリズム。
- 新しいAI
- ヌーベルAIは、昆虫と同等の知能レベルを持つロボットの生産を目指している点で、従来のAIとは異なります。研究者は、象徴的なAIが通常プログラムする必要のある構築された世界を使用するのではなく、これらの知能が「現実世界」と相互作用することで、単純な行動から知能が有機的に出現できると考えています。[254]
- NP
- 計算複雑性理論において、NP（非決定性多項式時間）は、決定問題を分類するために使用される複雑性クラスである。NPは、答えが「はい」である問題インスタンスが多項式時間で検証可能な証明を持つ決定問題の集合である。[255] [注1]
- NP完全性
- 計算複雑性理論では、問題が NP 完全であるとは、限られた種類の総当たり探索アルゴリズムで解決でき、同様のアルゴリズムを使用して他の問題をシミュレートするために使用できる場合です。より正確には、問題への各入力は、有効性を迅速にテストできる (多項式時間[256] ) 多項式長の解の集合に関連付けられている必要があります。つまり、解の集合が空でない場合は入力に対する出力が「はい」になり、空の場合は「いいえ」になります。
- NP困難性
- 計算複雑性理論において、非公式には「少なくとも NP の最も難しい問題と同じくらい難しい」問題のクラスを定義する特性。NP 困難な問題の簡単な例としては、部分集合和問題があります。
お
- オッカムの剃刀
- 同じ予測をする競合する仮説が提示された場合、最も仮定の少ない解決策を選択すべきであるという問題解決の原則。 [257]この原則は、異なる予測をする仮説を除外することを意図したものではありません。このアイデアは、スコラ哲学者で神学者であったイギリスのフランシスコ会修道士ウィリアム・オッカム（ 1287年頃-1347年）に由来しています。
- オフライン学習
- 学習プロセス中に更新されない固定データセットでモデルをトレーニングする機械学習トレーニング手法。
- オンライン機械学習
- データが順次利用可能になり、各ステップで将来のデータに対する最適な予測子を更新するために使用される機械学習の方法。これは、トレーニング データ セット全体を一度に学習して最適な予測子を生成するバッチ学習技術とは対照的です。オンライン学習は、データセット全体をトレーニングすることが計算上不可能で、アウトオブコアアルゴリズムを必要とする機械学習の分野でよく使用される手法です。また、アルゴリズムがデータ内の新しいパターンに動的に適応する必要がある場合や、データ自体が時間の関数として生成される場合にも使用されます。
- オントロジー学習
- オントロジーの自動または半自動作成。これには、自然言語テキストのコーパスから対応するドメインの用語と、これらの用語が表す概念間の関係を抽出し、それらをオントロジー言語でエンコードして簡単に検索できるようにする作業が含まれます。
- オープンAI
- 営利法人OpenAI LPは、非営利組織のOpenAI Inc [258]を親組織とし、人類全体に利益をもたらすような友好的なAIの推進と開発を目的として人工知能（AI）の分野で研究を行っています。
- オープンコグ
- オープンソースの人工知能フレームワークの構築を目指すプロジェクト。OpenCog Primeはロボットと仮想具現化認知のためのアーキテクチャであり、システム全体の創発現象として人間と同等の人工汎用知能（AGI）を生み出すように設計された相互作用するコンポーネントのセットを定義します。[259]
- オープンマインド 常識
- マサチューセッツ工科大学(MIT)メディアラボを拠点とする人工知能プロジェクト。Web上の何千人もの人々の貢献から大規模な常識知識ベースを構築し、活用することを目標としています。
- オープンソースソフトウェア(OSS)
- 著作権者がユーザーにソフトウェアを研究、変更、誰にでもどんな目的でも配布する権利を与えるライセンスの下でソースコードが公開されるコンピュータソフトウェアの一種。 [260]オープンソースソフトウェアは、共同で公開された方法で開発される場合があります。オープンソースソフトウェアは、オープンコラボレーションの顕著な例です。[261]
- 過剰適合
- 「特定のデータセットに近すぎる、または正確すぎる分析結果を生成するため、追加データに適合できなかったり、将来の観測を確実に予測できなかったりする可能性がある」[262]言い換えれば、過剰適合モデルはトレーニングデータの詳細を記憶しますが、新しいデータに一般化することはできません。逆に、不足適合モデルはトレーニングデータの複雑さを捉えるには単純すぎます。
ポ
- 部分順序削減
- モデル検査または自動計画およびスケジューリングアルゴリズムによって検索される状態空間のサイズを縮小する手法。同時に実行される遷移の可換性を利用し、異なる順序で実行されても同じ状態になります。
- 部分観測マルコフ決定過程(POMDP)
- マルコフ決定プロセス (MDP) の一般化。POMDP は、システム ダイナミクスが MDP によって決定されるが、エージェントが基礎となる状態を直接観察できないと想定されるエージェント決定プロセスをモデル化します。代わりに、一連の観測値と観測確率、および基礎となる MDP に基づいて、可能な状態のセット全体にわたって確率分布を維持する必要があります。
- 粒子群最適化(PSO)
- 与えられた品質基準に関して、候補ソリューションを反復的に改善することで問題を最適化する計算方法。候補ソリューションの集団（ここでは粒子と呼びます）を用意し、粒子の位置と速度に関する簡単な数式に従って、これらの粒子を探索空間内で移動させることで問題を解決します。各粒子の動きはその局所的な既知の最適位置の影響を受けますが、探索空間内の既知の最適位置に向かって誘導されます。この最適位置は、他の粒子によってより良い位置が見つかると更新されます。これにより、群れが最適なソリューションに向かって移動することが期待されます。
- 経路探索
- コンピュータ アプリケーションによって、2 点間の最短経路をプロットすること。これは、迷路を解くより実用的なバリエーションです。この研究分野は、重み付きグラフ上で最短経路を見つけるためのダイクストラのアルゴリズムに大きく基づいています。
- パターン認識
- コンピュータアルゴリズムの使用を通じてデータ内の規則性を自動的に発見し、これらの規則性を利用してデータを異なるカテゴリに分類するなどのアクションを実行することに関心がある。[263]
- パーセプトロン
- バイナリ分類器の教師あり学習のためのアルゴリズム。
- 述語論理
- 数学、哲学、言語学、コンピュータサイエンスで使われる形式体系の集合。一階述語論理は非論理的対象に対して量化された変数を使用し、変数を含む文の使用を可能にする。そのため、ソクラテスは人間であるなどの命題の代わりに、 「xが存在し、xはソクラテスであり、xは人間である」という形式の表現が可能になり、xが変数である間は量指定子が存在する。 [180]この点が命題論理との違いである。命題論理は量指定子や関係子を使用しない。[264]この意味で、命題論理は一階述語論理の基礎である。
- 予測分析
- データマイニング、予測モデリング、機械学習などのさまざまな統計手法を使用して、現在の事実と過去の事実を分析し、将来の出来事や未知の出来事を予測します。 [265] [266]
- 主成分分析(PCA)
- 直交変換を使用して、相関している可能性のある変数 (それぞれがさまざまな数値をとるエンティティ) の観測値のセットを、主成分と呼ばれる線形に相関のない変数の値のセットに変換する統計手順。この変換は、最初の主成分が可能な限り最大の分散を持つように(つまり、可能な限り多くのデータの変動を説明するように)、そして、後続の各成分が、先行する成分と直交するという制約の下で可能な限り最大の分散を持つように定義されます。結果のベクトル (それぞれが変数の線形結合であり、 n 個の観測値を含む) は、相関のない直交基底セットです。PCA は、元の変数の相対的なスケーリングの影響を受けます。
- 合理性の原則
- カール・R・ポパーが1963年のハーバード大学講義で作った原理で、著書『枠組みの神話』 [267]に掲載された。これは、彼が1944年から1945年にかけてエコノミカ誌に寄稿し、後に著書『歴史主義の貧困』 [268]に掲載した記事で「状況の論理」と呼んだものと関連している。ポパーの合理性原理によれば、行為者は客観的な状況に応じて最も適切な方法で行動する。これは、彼が状況論理のモデルを推進するために使用した、人間の行動の理想化された概念である。
- 確率的プログラミング(PP)
- 確率モデルが指定され、これらのモデルの推論が自動的に実行されるプログラミングパラダイム。[ 269 ]これは、確率モデリングと従来の汎用プログラミングを統合して、前者をより簡単に、より広く適用できるようにする試みです。[270] [271]これは、不確実性に直面したときに意思決定を支援するシステムを作成するために使用できます。確率プログラミングに使用されるプログラミング言語は、「確率プログラミング言語」（PPL）と呼ばれます。
- 生産システム
- 通常、何らかの形の AI を提供するために使用されるコンピュータ プログラム。主に動作に関する一連のルールで構成されますが、システムが世界の状態に応答する際にそれらのルールに従うために必要なメカニズムも含まれています。
- プログラミング言語
- さまざまな種類の出力を生成する一連の命令で構成される形式言語。プログラミング言語は、コンピュータ プログラミングでアルゴリズムを実装するために使用されます。
- プロローグ
- 人工知能と計算言語学に関連する論理プログラミング言語。[272] [273] [274] Prologは一階述語論理、形式論理 にルーツを持ち、他の多くのプログラミング言語とは異なり、Prologは主に宣言型プログラミング言語として意図されています。プログラムロジックは関係の観点から表現され、事実とルールとして表されます。計算はこれらの関係に対してクエリを実行することによって開始されます。[275]
- 命題計算
- 命題（真または偽）と議論の流れを扱う論理の分野。複合命題は、命題を論理接続子で接続することによって形成されます。論理接続子のない命題は、原子命題と呼ばれます。一階述語論理とは異なり、命題論理は、非論理オブジェクト、それらに関する述語、または量指定子を扱いません。ただし、命題論理のすべての仕組みは、一階述語論理と高階論理に含まれています。この意味で、命題論理は、一階述語論理と高階論理の基礎です。
- 近接ポリシー最適化(PPO)
- 困難なタスクを達成するためにインテリジェントエージェントの意思決定機能をトレーニングするための強化学習アルゴリズム。
- パイソン
- グイド・ヴァン・ロッサムによって作成され、1991年に初めてリリースされた、解釈型の高水準汎用プログラミング言語。Pythonの設計哲学は、重要な空白の使用によるコードの可読性を重視しています。その言語構造とオブジェクト指向のアプローチは、小規模および大規模プロジェクトでプログラマが明確で論理的なコードを記述できるようにすることを目的としています。[276]
- パイトーチ
- Torchライブラリ[277] [278] [279]をベースにした機械学習ライブラリ。コンピュータビジョンや自然言語処理などのアプリケーションに使用され、[280]もともとMeta AIによって開発され、現在はLinux Foundationの傘下にあります。[281] [282] [283] [284]
質問
- Q学習
- 特定の状態におけるアクションの価値を学習するためのモデルフリー強化学習アルゴリズム。
- 資格問題
- 哲学と人工知能（特に知識ベースシステム）において、資格問題は、現実世界の行動が意図した効果をもたらすために必要な前提条件をすべて列挙することが不可能であるという問題である。 [285] [286]これは、意図した結果を達成するのを妨げるものに対処する方法と表現できるかもしれない。これはフレーム問題と強く関連しており、その分岐側とは反対である。[285]
- 数量詞
- 論理学では、量化は、開かれた公式を満たす議論領域内の標本の数量を指定します。最も一般的な 2 つの量化子は、「すべてに対して」と「存在する」を意味します。たとえば、算術では、量化子を使用すると、すべての n (n は自然数) に対して、n より 1 大きい別の数 (n の次の数など) が存在すると記述することで、自然数が永遠に続くと言うことができます。
- 量子コンピューティング
- 重ね合わせやエンタングルメントなどの量子力学的 現象を利用して計算を行うこと。量子コンピュータはこのような計算を実行するために使用され、理論的または物理的に実装することができます。[287] : I-5
- クエリ言語
- クエリ言語またはデータ クエリ言語 (DQL) は、データベースや情報システムでクエリを実行するために使用されるコンピュータ言語です。クエリ言語は、大まかに言えば、データベース クエリ言語か情報検索クエリ言語かによって分類できます。違いは、データベース クエリ言語は事実に関する質問に対して事実に基づいた回答をしようとするのに対し、情報検索クエリ言語は調査領域に関連する情報を含むドキュメントを見つけようとすることです。
R
- Rプログラミング言語
- 統計計算とグラフィックスのためのプログラミング言語とフリーソフトウェア環境。統計計算のためのR財団によってサポートされています。[288] R言語は、統計ソフトウェアの開発[289]やデータ分析[290]のために統計学者やデータマイナーの間で広く使用されています。
- ラジアル基底関数ネットワーク
- 数学的モデリングの分野において、ラジアル基底関数ネットワークは、ラジアル基底関数を活性化関数として使用する人工ニューラルネットワークである。ネットワークの出力は、入力とニューロンパラメータのラジアル基底関数の線形結合である。ラジアル基底関数ネットワークには、関数近似、時系列予測、分類、システム制御など、多くの用途がある。これらは、1988年の論文で、英国王立信号レーダー研究所の研究者であるブルームヘッドとロウによって初めて定式化された。[291] [292] [293]
- ランダムフォレスト
- 分類、回帰、その他のタスクのためのアンサンブル学習法。トレーニング時に多数の決定木を構築し、個々の木のクラスのモード（分類）または平均予測（回帰）であるクラスを出力することによって機能します。[294] [295]ランダム決定フォレストは、決定木のトレーニングセットへの過剰適合の癖を修正します。[296]
- 推論システム
- 情報技術において、推論システムとは、演繹や帰納などの論理的手法を使用して、利用可能な知識から結論を生成するソフトウェア システムです。推論システムは、人工知能や知識ベース システムの実装において重要な役割を果たします。
- リカレントニューラルネットワーク(RNN)
- ノード間の接続が時系列に沿って有向グラフを形成する人工ニューラルネットワークのクラス。これにより、時間的な動的動作を示すことができます。フィードフォワードニューラルネットワークとは異なり、RNNは内部状態（メモリ）を使用して入力シーケンスを処理できます。これにより、セグメント化されていない接続された手書き認識[297]や音声認識などのタスクに適用できます。[298] [299]
- 回帰分析
- 従属変数 (多くの場合、結果変数または応答変数、または機械学習のラベルと呼ばれます) と 1 つ以上のエラーのない独立変数 (多くの場合、回帰変数、予測変数、共変量、説明変数、または特徴と呼ばれます) との関係を推定するための一連の統計プロセス。回帰分析の最も一般的な形式は線形回帰であり、特定の数学的基準に従ってデータに最もよく適合する線 (またはより複雑な線形結合) を見つけます。
- 正規化
- 学習アルゴリズムをトレーニングするときに過剰適合と不足適合を減らすための、ドロップアウト、早期停止、L1 および L2 正則化などの一連のテクニック。
- 強化学習(RL)
- 機械学習の分野の一つで、ソフトウェアエージェントが環境内でどのように行動すれば累積報酬の概念を最大化できるかに関係する。強化学習は、教師あり学習と教師なし学習とともに、3つの基本的な機械学習パラダイムの1つである。強化学習は、ラベル付けされた入力/出力ペアを提示する必要がなく、最適でない行動を明示的に修正する必要がない点で教師あり学習と異なる。代わりに、探索（未知の領域）と活用（現在の知識）のバランスを見つけることに焦点が当てられている。[300]
- 人間のフィードバックからの強化学習(RLHF)
- 生成されたコンテンツの品質を人間がどのように評価するかを予測する「報酬モデル」をトレーニングし、強化学習によってこの報酬モデルを満たすように生成AIモデルをトレーニングする技術。これは、例えば、生成AIモデルをより真実に近づけたり、害を少なくしたりするために使用できます。[301]
- 表現学習
- 機能学習を参照してください。
- 貯水池コンピューティング
- ニューラルネットワークの拡張として見ることができる計算フレームワーク。[302]通常、入力信号はリザーバーと呼ばれる固定（ランダム）動的システムに入力され、リザーバーのダイナミクスは入力を高次元にマッピングします。次に、単純な読み出しメカニズムがリザーバーの状態を読み取り、それを目的の出力にマッピングするようにトレーニングされます。主な利点は、トレーニングが読み出し段階でのみ実行され、リザーバーが固定されていることです。リキッドステートマシン[303]とエコーステートネットワーク[304]は、リザーバーコンピューティングの2つの主要なタイプです。[305]
- リソース記述フレームワーク(RDF)
- もともとメタデータデータモデルとして設計されたワールドワイドウェブコンソーシアム（W3C）仕様[306]のファミリー。さまざまな構文表記法とデータシリアル化形式を使用して、 Webリソースに実装された情報の概念的記述またはモデリングの一般的な方法として使用されてきた。また、ナレッジマネジメントアプリケーションでも使用されている。
- 制限付きボルツマンマシン(RBM)
- 入力セットにわたって確率分布を学習できる生成確率的 人工ニューラルネットワーク。
- Reteアルゴリズム
- ルールベースのシステムを実装するためのパターン マッチングアルゴリズム。このアルゴリズムは、知識ベース内の多数のオブジェクトまたは事実に多数のルールまたはパターンを効率的に適用するために開発されました。データ ストア、つまり事実に基づいて、システムのどのルールを実行するかを決定するために使用されます。
- ロボット工学
- 機械工学、電子工学、情報工学、コンピュータサイエンスなどを含む科学と工学の学際的な分野。ロボット工学は、ロボットの設計、構築、操作、使用、およびロボットの制御、感覚フィードバック、情報処理のためのコンピュータシステムを扱います。
- ルールベースのシステム
- コンピュータサイエンスでは、ルールベースシステムは知識を保存および操作して情報を有用な方法で解釈するために使用されます。これは、人工知能のアプリケーションや研究でよく使用されます。通常、ルールベースシステムという用語は、人間が作成またはキュレーションしたルールセットを含むシステムに適用されます。ルールベース機械学習などの自動ルール推論を使用して構築されたルールベースシステムは、通常、このシステムタイプから除外されます。
ス
- 満足度
- 数理論理学において、充足可能性と妥当性は意味論の基本概念である。式が充足可能であるのは、その式を真にする解釈（モデル）を見つけることが可能である場合である。 [307] 式は、すべての解釈が式を真にする場合に妥当である。これらの概念の反対は、充足不可能性と妥当性無効性である。つまり、どの解釈も式を真にしない場合は式は充足不可能であり、そのような解釈のいずれかが式を偽にする場合は妥当性無効である。これら4つの概念は、アリストテレスの対立の四角形とまったく同様の方法で互いに関連している。
- 検索アルゴリズム
- 検索問題を解決するアルゴリズム。つまり、何らかのデータ構造内に格納された情報、または離散値または連続値を使用して問題ドメインの検索空間で計算された情報を取得するアルゴリズム。
- 選択
- 遺伝的アルゴリズムの段階。集団から個々のゲノムが選択され、後で繁殖に使用されます (交差演算子を使用)。
- 自己管理
- コンピュータ システムが人間の介入なしに自身の操作を管理するプロセス。
- 意味ネットワーク
- ネットワーク内の概念間の意味関係を表す知識ベース。これは知識表現の形式としてよく使用されます。これは、概念を表す頂点と概念間の意味関係を表すエッジで構成される有向グラフまたは無向グラフであり、[308]意味フィールドをマッピングまたは接続します。
- 意味論的推論者
- 主張された事実または公理のセットから論理的な帰結を推論できるソフトウェア。意味論的推論システムの概念は、より豊富なメカニズムのセットを提供することで、推論エンジンの概念を一般化します。推論ルールは、通常、オントロジー言語、多くの場合は記述論理言語によって指定されます。多くの推論システムは、推論を実行するために第 1 階述語論理を使用します。推論は、通常、前向き連鎖と後向き連鎖によって進められます。
- セマンティッククエリ
- 連想的および文脈的な性質のクエリと分析を可能にします。セマンティック クエリを使用すると、データに含まれる構文、意味、構造情報に基づいて、明示的および暗黙的に導出された情報の両方を取得できます。これらは、正確な結果 (おそらく 1 つの情報の明確な選択) を提供したり、パターン マッチングとデジタル推論を通じてよりあいまいで幅広い質問に答えたりするように設計されています。
- セマンティクス
- プログラミング言語理論において、意味論はプログラミング言語の意味を厳密に数学的に研究する分野です。意味論は、特定のプログラミング言語で定義された構文的に有効な文字列の意味を評価し、関連する計算を示します。評価が構文的に無効な文字列である場合、結果は非計算になります。意味論は、特定の言語でプログラムを実行するときにコンピューターが従うプロセスについて説明します。これは、プログラムの入力と出力の関係を説明するか、特定のプラットフォームでプログラムがどのように実行されるかを説明することで示され、計算モデルが作成されます。
- 半教師あり学習
- 少量の人間がラベル付けしたデータ (教師あり学習でのみ使用) と、それに続く大量のラベル付けされていないデータ (教師なし学習でのみ使用) の組み合わせを使用することを特徴とする機械学習トレーニング パラダイム。
- センサーフュージョン
- 異なるソースから取得した感覚データまたはデータを組み合わせることで、結果として得られる情報の不確実性は、これらのソースを個別に使用した場合よりも低くなります。
- 分離ロジック
- プログラムを推論する方法であるホーア論理の拡張。分離論理のアサーション言語は、束ねられた含意の論理（BI）の特殊なケースです。[309]
- 類似性学習
- 分類と回帰に密接に関連する教師あり学習の領域ですが、その目的は、2 つのオブジェクトがどの程度類似しているか、または関連しているかを測定する類似度関数から学習することです。ランキング、推奨システム、視覚的 ID 追跡、顔認証、話者認証などの用途があります。
- シミュレーテッドアニーリング（SA）
- 与えられた関数のグローバル最適値を近似する確率的手法。具体的には、最適化問題に対する大規模な探索空間でグローバル最適化値を近似するメタヒューリスティックです。
- 状況に応じたアプローチ
- 人工知能の研究では、状況依存アプローチによって、環境内で効果的に行動するように設計されたエージェントを構築します。これには、生き残るために必要な基本的な知覚スキルと運動スキルに焦点を当てて、AI を「ボトムアップ」で設計する必要があります。状況依存アプローチでは、抽象的な推論や問題解決スキルの優先順位ははるかに低くなります。
- 状況計算
- 動的ドメインを表現し、推論するために設計された論理形式。
- 選択的線状定節解決
- 論理プログラミングで使用される基本的な推論規則。これは、ホーン節に対して妥当かつ反駁完全な解決の改良です。
- ソフトウェア
- コンピュータの動作方法を指示するデータまたはコンピュータ命令の集合。これは、システムが構築され、実際に作業を実行する物理的なハードウェアとは対照的です。コンピュータサイエンスとソフトウェアエンジニアリングでは、コンピュータソフトウェアは、コンピュータシステム、プログラム、およびデータによって処理されるすべての情報です。コンピュータソフトウェアには、コンピュータプログラム、ライブラリ、およびオンラインドキュメントやデジタルメディアなどの関連する非実行データが含まれます。
- ソフトウェアエンジニアリング
- 体系的な方法でソフトウェア開発に工学を応用すること。[ 310 ] [ 311 ] [ 312]
- 空間的・時間的推論
- コンピューター サイエンス、認知科学、認知心理学の分野から派生した人工知能の領域。認知面における理論的目標は、心の中で空間と時間の知識を表現し、推論することです。コンピューティング面における応用目標は、時間と空間をナビゲートし、理解するためのオートマトンによる高レベルの制御システムを開発することです。
- スパルク
- RDFクエリ言語、つまりデータベース用セマンティック クエリ言語は、リソース記述フレームワーク（RDF）形式で保存されたデータを取得および操作できます。[313] [314]
- スパース辞書学習
- 入力データのスパース表現を基本要素の線形結合の形式で、またそれらの基本要素自体として見つけることを目的とした特徴学習方法。
- 音声認識
- コンピュータによる音声言語の認識とテキストへの翻訳を可能にする方法論と技術を開発する計算言語学の学際的なサブフィールド。自動音声認識 (ASR)、コンピュータ音声認識、または音声テキスト変換 (STT) とも呼ばれます。言語学、コンピュータ サイエンス、および電気工学の分野の知識と研究が組み込まれています。
- スパイキングニューラルネットワーク(SNN)
- 自然のニューラルネットワークをより忠実に模倣した人工ニューラルネットワーク。[315]ニューロンとシナプスの状態に加えて、SNNは時間の概念を動作モデルに組み込んでいます。
- 州
- 情報技術とコンピュータサイエンスでは、プログラムが以前のイベントやユーザーとのやりとりを記憶するように設計されている場合、そのプログラムは状態があると言われます。 [316]記憶された情報はシステムの状態と呼ばれます。
- 統計分類
- 機械学習と統計学において、分類とは、カテゴリの所属がわかっている観測値（またはインスタンス）を含むデータのトレーニング セットに基づいて、新しい観測値が一連のカテゴリ（サブ ポピュレーション）のどれに属するかを識別する問題です。例としては、特定の電子メールを「スパム」クラスまたは「非スパム」クラスに割り当てることや、患者の観察された特性（性別、血圧、特定の症状の有無など）に基づいて特定の患者に診断を割り当てることが挙げられます。分類はパターン認識の一例です。
- 状態-行動-報酬-状態-行動(SARSA)
- マルコフ決定プロセスポリシーを学習するための強化学習アルゴリズム。
- 統計的関係学習(SRL)
- 人工知能と機械学習のサブ分野であり、不確実性（統計的手法を使用して処理できる）と複雑な関係構造の両方を示すドメインモデルに関係しています。 [317] [318] SRLは、文献ではリレーショナル機械学習（RML）と呼ばれることもあります。通常、 SRLで開発された知識表現形式は、（そのサブセットの）第一階述語論理を使用して、ドメインの関係特性を一般的な方法（普遍量化）で記述し、確率的グラフィカルモデル（ベイジアンネットワークやマルコフネットワークなど）を利用して不確実性をモデル化します。また、帰納的論理プログラミングの方法に基づいて構築されているものもあります。
- 確率的最適化(SO)
- ランダム変数を生成して使用する最適化 手法。確率的問題の場合、ランダム変数は最適化問題自体の定式化に現れ、ランダムな目的関数またはランダムな制約が含まれます。確率的最適化手法には、ランダム反復を使用する手法も含まれます。一部の確率的最適化手法では、確率的最適化の両方の意味を組み合わせて、ランダム反復を使用して確率的問題を解決します。[319]確率的最適化手法は、決定論的手法を決定論的問題に一般化します。
- 確率的意味解析
- コンピュータサイエンスにおいて自然言語理解の意味的要素として用いられるアプローチ。確率モデルでは一般的に単語のセグメントの定義を意味モデルの基本的な意味単位として用い、場合によっては2層のアプローチをとる。[320]
- スタンフォード研究所問題解決者(STRIPS)
- 1971 年にSRI InternationalのRichard FikesとNils Nilssonによって開発された自動プランナー。
- 主題専門家（SME）
- 特定の分野またはトピックに関して、学位、免許、および/または長年の専門的経験によって実証される豊富な知識を蓄積した人物。
- 超知能
- 最も聡明で才能に恵まれた人間の知性をはるかに超える知能を持つ仮想エージェント。超知能は、これらの高度な知的能力が物理世界で活動するエージェントに具体化されているかどうかに関係なく、問題解決システム (超知能言語翻訳者やエンジニアリング アシスタントなど) の特性を指すこともあります。超知能は、知能爆発によって生み出される場合もあれば、そうでない場合もあります。また、技術的な特異点と関連している場合もあります。
- 教師あり学習
- 入力と出力のペアの例に基づいて、入力を出力にマッピングする関数を学習する機械学習タスク。[321]ラベル付けされたトレーニングデータで、一連のトレーニング例。[322] 教師あり学習では、各例は入力オブジェクト（通常はベクトル）と目的の出力値（教師信号ペア。教師あり学習アルゴリズムはトレーニングデータを分析し、推論された関数を生成します。推論された関数は、新しい例をマッピングするために使用できます。最適なシナリオでは、アルゴリズムは未知のインスタンスのクラスラベルを正しく決定できます。これには、学習アルゴリズムがトレーニングデータから未知の状況に「合理的な」方法で一般化する必要があります（帰納的バイアス）。
- サポートベクターマシン
- 機械学習において、サポートベクターマシン（SVM、サポートベクターネットワーク[323]とも呼ばれる）は、分類と回帰に使用されるデータを分析する関連学習アルゴリズムを備えた教師あり学習モデルです。
- 群知能（SI）
- 自然または人工の分散型自己組織化システムの集団的行動。この表現は細胞ロボットシステムの文脈で導入された。[324]
- シンボリック人工知能
- 問題、ロジック、検索の高レベルの「記号的」（人間が読める）表現に基づく人工知能研究におけるすべての方法の集合を表す用語。
- 合成知能（SI）
- 人工知能の別名。機械の知能は模倣や人工的なものである必要はなく、本物の知能である可能性があることを強調する。[325] [326]
- システム神経科学
- 神経回路と神経システムの構造と機能を研究する神経科学とシステム生物学のサブ分野。これは包括的な用語であり、神経細胞が互いに接続されて神経経路、神経回路、およびより大きな脳ネットワークを形成するときにどのように動作するかに関する研究の多くの領域を網羅しています。
T
- 技術的特異点
- 技術の進歩が制御不能かつ不可逆となり、人類文明に計り知れない変化をもたらすとされる将来の仮説上の時点。 [327] [328] [329]
- 時間差学習
- 価値関数の現在の推定値からブートストラップによって学習するモデルフリー強化学習法の一種。これらの方法は、モンテカルロ法のように環境からサンプルを採取し、動的計画法のように現在の推定値に基づいて更新を実行します。[330]
- テンソルネットワーク理論
- 脳機能（特に小脳）の理論であり、小脳神経回路網による感覚空間時間座標から運動座標への変換とその逆の変換の数学的モデルを提供する。この理論は、テンソルを用いた脳機能（特に中枢神経系）の幾何学化として開発された。[331] [332]
- テンソルフロー
- さまざまなタスクにわたるデータフローと微分可能プログラミングのための無料のオープンソースソフトウェアライブラリ。シンボリック数学ライブラリであり、ニューラルネットワークなどの機械学習アプリケーションにも使用されます。 [333]
- 理論計算機科学(TCS)
- 一般的なコンピュータサイエンスと数学のサブセットであり、コンピューティングのより数学的なトピックに焦点を当て、計算理論を含みます。
- 計算理論
- 理論計算機科学と数学において、計算理論は、アルゴリズムを用いて計算モデル上でいかに効率的に問題を解決できるかを扱う分野である。この分野は、オートマトン理論と言語、計算可能性理論、計算複雑性理論の3つの主要分野に分かれており、これらは「コンピュータの基本的な能力と限界は何か」という問いによって結びついている。[334]
- トンプソンサンプリング
- 多腕バンディット問題における探索と利用のジレンマに対処する行動選択のヒューリスティック。ランダムに抽出された信念に関して期待報酬を最大化する行動を選択することで構成される。[335] [336]
- 時間計算量
- アルゴリズムを実行するのにかかる時間を表す計算の複雑さ。時間の複雑さは、通常、各基本操作の実行に一定の時間がかかるものと仮定して、アルゴリズムによって実行される基本操作の数を数えることによって推定されます。したがって、アルゴリズムにかかる時間と実行される基本操作の数は、最大で定数係数だけ異なると見なされます。
- トランス
- マルチヘッドアテンションメカニズムを利用するディープラーニングアーキテクチャの一種。トランスフォーマーは長期短期記憶の限界のいくつかに対処し、自然言語処理で広く使用されるようになりましたが、ビジョントランスフォーマーの場合は画像など他の種類のデータも処理できます。[337]
- トランスヒューマニズム
- 人間の知性と生理機能を大幅に向上させる高度な技術を開発し、広く利用できるようにすることで、人間の状態を変革することを主張する国際的な哲学運動。[338] [339]
- 移行システム
- 理論計算機科学において、遷移システムとは計算の研究で使用される概念である。離散システムの潜在的な動作を説明するために使用される。遷移システムは状態と状態間の遷移で構成され、状態にはセットから選択されたラベルが付けられる。同じラベルが複数の遷移に現れることもある。ラベルセットがシングルトンである場合、システムは本質的にラベルなしであり、ラベルを省略したより単純な定義が可能となる。
- ツリートラバーサル
- グラフ トラバーサルの一種で、ツリー データ構造内の各ノードを 1 回だけ訪問 (確認および/または更新) するプロセスを指します。このようなトラバーサルは、ノードを訪問する順序によって分類されます。
- 真の定量化されたブール式
- 計算複雑性理論において、言語 TQBF は、真量化ブール式で構成される形式言語です。(完全に) 量化ブール式は、文の先頭で存在量指定子または全称量指定子を使用してすべての変数が量化 (またはバインド)される量化 命題論理の式です。このような式は、真または偽のいずれかに相当します (自由変数がないため)。このような式が真と評価される場合、その式は言語 TQBF です。これは QSAT (Quantified SAT) とも呼ばれます。
- チューリングマシン
- テープ上の記号を規則表に従って操作する抽象機械[340]を記述する計算の数学的モデル。[341]このモデルは単純であるにもかかわらず、あらゆるアルゴリズムを実装することができます。[342]
- チューリングテスト
- 1950年にアラン・チューリングが開発した、機械が人間と同等か区別がつかない知的な行動をとる能力を測るテスト。チューリングは、人間のような応答を生成するように設計された機械と人間との自然言語による会話を、人間の評価者が審査することを提案した。評価者は、会話の相手のうち1人が機械であることを認識しており、参加者は全員互いに離れている。会話はコンピューターのキーボードと画面などのテキストのみのチャネルに限定されるため、結果は機械が言葉を音声として表現する能力に左右されない。[343]評価者が機械と人間を確実に区別できない場合、機械はテストに合格したとされる。テストの結果は、機械が質問に正しく答える能力には依存せず、その答えが人間の答えにどれだけ似ているかによってのみ決まる。
- 型システム
- プログラミング言語では、変数、式、関数、モジュールなど、コンピュータプログラムのさまざまな構成要素に型と呼ばれるプロパティを割り当てる一連の規則です。[344]これらの型は、プログラマが代数データ型、データ構造、またはその他のコンポーネントに使用する暗黙のカテゴリを形式化し、強制します (例:「文字列」、「浮動小数点の配列」、「ブール値を返す関数」)。 型システムの主な目的は、コンピュータプログラムのさまざまな部分間のインターフェイスを定義し、それらの部分が一貫した方法で接続されていることを確認することで、コンピュータプログラムのバグの可能性を減らすことです[345] 。 このチェックは、静的 (コンパイル時)、動的 (実行時)、または静的チェックと動的チェックの組み合わせで行うことができます。 型システムには、ビジネスルールの表現、特定のコンパイラ最適化の有効化、多重ディスパッチの許可、ドキュメントの形式の提供など、他の目的もあります。
あなた
- 教師なし学習
- 自己組織化ヘブビアン学習の一種で、既存のラベルなしでデータセット内の未知のパターンを見つけるのに役立ちます。自己組織化としても知られ、与えられた入力の確率密度をモデル化することができます。[346]これは、教師あり学習と強化学習とともに、機械学習の3つの基本パラダイムの1つです。半教師あり学習も説明されており、教師あり技術と教師なし技術のハイブリッドです。
五
- ビジョンプロセッシングユニット(VPU)
- マシンビジョンタスクを高速化するために設計されたマイクロプロセッサの一種。 [347] [348]
- 価値観の一致が完了
- AI 完全問題と同様に、価値整合完全問題は、 AI 制御問題を完全に解決しないと解決できない問題です。 [引用が必要]
わ
- ワトソン
- 自然言語で提示された質問に答えることができる質問応答コンピュータシステム[ 349 ] 。IBMのDeepQAプロジェクトで主任研究員のデイビッド・フェルッチ率いる研究チームによって開発された。[350]ワトソンはIBMの初代CEOである実業家トーマス・J・ワトソンにちなんで名付けられた。[351] [352]
- 弱いAI
- 一つの狭いタスクに集中する人工知能。[353] [354] [355]
- 監督が弱い
- 半教師あり学習を参照してください。
- 単語埋め込み
- 自然言語処理における単語の表現。通常、この表現は実数値のベクトルであり、ベクトル空間内でより近い単語は意味が似ていると予想されるような方法で単語の意味をエンコードします。[356]
バツ
- XGBoost
- XGBoost [357]はeXtreme Gradient Boostingの略で、複数のプログラミング言語に正規化勾配ブースティングフレームワークを提供するオープン ソースソフトウェアライブラリです。
参考文献
- ^ ab 例えば、 Josephson, John R.、Josephson, Susan G. 編 (1994)。Abductive Inference: Computation, Philosophy, Technology。ケンブリッジ、イギリス、ニューヨーク: Cambridge University Press。doi :10.1017/ CBO9780511530128。ISBN 978-0521434614. OCLC 28149683.
- ^ 「Retroduction」。Commens – Digital Companion to CS Peirce。Mats Bergman、Sami Paavola、João Queiroz。2022年7月5日時点のオリジナルよりアーカイブ。2014年8月24日閲覧。
- ^ Sheikholeslami、Sina (2019)。機械学習のためのアブレーションプログラミング。
- ^ Colburn, Timothy; Shute, Gary (2007 年 6 月 5 日). 「コンピュータ サイエンスにおける抽象化」. Minds and Machines . 17 (2): 169–184. doi :10.1007/s11023-007-9061-7. ISSN 0924-6495. S2CID 5927969.
- ^ Kramer, Jeff ( 2007 年 4 月1日)。「抽象化はコンピューテ ィングの鍵となるか?」Communications of the ACM。50 ( 4): 36–42。CiteSeerX 10.1.1.120.6776。doi : 10.1145 /1232743.1232745。ISSN 0001-0782。S2CID 12481509 。
- ^ Michael Gelfond、Vladimir Lifschitz (1998)「アクション言語」、Linköping Electronic Articles in Computer and Information Science、第3巻、第16号。
- ^ Jang, Jyh-Shing R (1991). 一般化ニューラルネットワークとカルマンフィルタアルゴリズムを使用したファジーモデリング(PDF)。第9回全国人工知能会議議事録、米国カリフォルニア州アナハイム、7月14～19日。第2巻。pp. 762～767。
- ^ Jang, J.-SR (1993). 「ANFIS: 適応型ネットワークベースのファジー推論システム」. IEEE Transactions on Systems, Man, and Cybernetics . 23 (3): 665–685. doi :10.1109/21.256541. S2CID 14345934.
- ^ Abraham, A. (2005)、「ニューラル ラーニングを使用したファジー推論システムの適応」、Nedjah, Nadia、De Macedo Mourelle, Luiza (編)、ファジー システム エンジニアリング: 理論と実践、ファジーとソフト コンピューティングの研究、第 181 巻、ドイツ: Springer Verlag、pp. 53–83、CiteSeerX 10.1.1.161.6135、doi :10.1007/11339366_3、ISBN 978-3-540-25322-8
- ^ ジャン、サン、ミズタニ (1997) – ニューロファジーとソフトコンピューティング – プレンティスホール、pp 335–368、ISBN 0-13-261066-3
- ^ Tahmasebi, P. (2012). 「成績推定のためのハイブリッドニューラルネットワーク-ファジーロジック-遺伝的アルゴリズム」. Computers & Geosciences . 42 : 18–27. Bibcode :2012CG.....42...18T. doi :10.1016/j.cageo.2012.02.004. PMC 4268588. PMID 25540468 .
- ^ Tahmasebi, P. ( 2010). 「鉱石品位推定のための最適化ニューラルネットワークとファジーロジックの比較」。オーストラリア基礎応用科学ジャーナル。4 : 764–772。
- ^ ラッセル、SJ; ノーヴィグ、P. (2002)。人工知能：現代的アプローチ。プレンティスホール。ISBN 978-0-13-790395-5。
- ^ Tao, Jianhua; Tieniu Tan (2005). 「 アフェクティブコンピューティング：レビュー」。アフェクティブコンピューティングとインテリジェントインタラクション。Vol. LNCS 3784。Springer。pp. 981–995。doi :10.1007/11573548。
- ^ El Kaliouby, Rana (2017年11月～12月). 「共感力のあるコンピューターが必要」. Technology Review . 第120巻、第6号、p. 8. 2018年7月7日時点のオリジナルよりアーカイブ。 2018年11月6日閲覧。
- ^ エージェントアーキテクチャの比較 2008年8月27日アーカイブ、Wayback Machine
- ^ 「IntelがMovidius Compute Stick USB AI Acceleratorを発表」。2017年7月21日。2017年8月11日時点のオリジナルよりアーカイブ。2018年11月28日閲覧。
- ^ “Inspurs が GX4 AI アクセラレーターを発表”. 2017 年 6 月 21 日。
- ^ Shapiro, Stuart C. (1992). 人工知能 Stuart C. Shapiro (編)、人工知能百科事典(第 2 版、pp. 54–57)。ニューヨーク: John Wiley。(セクション 4 は「AI によるタスクの完了」です。)
- ^ Solomonoff, R.、「帰納的推論の一般理論に関する予備報告」、報告書 V-131、Zator Co.、マサチューセッツ州ケンブリッジ (1960 年 2 月 4 日の報告書の 1960 年 11 月改訂版)。
- ^ 「人工知能：GoogleのAlphaGoが囲碁の名人イ・セドルに勝利」BBCニュース。2016年3月12日。 2016年3月17日閲覧。
- ^ 「AlphaGo | DeepMind」. DeepMind .
- ^ 「リサーチブログ: AlphaGo: 機械学習で古代囲碁をマスター」。Googleリサーチブログ。2016 年 1 月 27 日。
- ^ 「Google、囲碁チャンピオンに勝利しAIの『ブレークスルー』を達成」BBCニュース、2016年1月27日。
- ^ ダン（1995）を参照
- ^ BesnardとHunter（2001）を参照
- ^ Bench-Capon (2002)を参照
- ^ 知的エージェント
の研究としてのAIの定義：
- Poole、Mackworth、Goebel 1998、p. 1 は、この記事で使用されているバージョンです。ここでは、「計算知能」という用語が人工知能の同義語として使用されていることに注意してください。
- Russell & Norvig (2003) (彼らは「合理的エージェント」という用語を好んでいる) は、「エージェント全体の視点は現在、この分野で広く受け入れられている」と書いている (Russell & Norvig 2003、p. 55)。
- ニルソン 1998
- レッグ＆ハッター 2007年。
- ^ ラッセル＆ノルヴィグ 2009、2ページ。
- ^ 「AAAI 企業細則」。
- ^ Cipresso, Pietro; Giglioli, Irene Alice Chicchi; Raya, iz; Riva, Giuseppe (2011年12月7日). 「仮想現実と拡張現実の研究の過去、現在、未来：文献のネットワークとクラスター分析」. Frontiers in Psychology . 9 : 2086. doi : 10.3389/fpsyg.2018.02086 . PMC 6232426. PMID 30459681 .
- ^ Ghallab, Malik; Nau, Dana S.; Traverso, Paolo (2004)、Automated Planning: Theory and Practice、Morgan Kaufmann、ISBN 978-1-55860-856-6
- ^ Kephart, JO; Chess, DM (2003)、「自律コンピューティングのビジョン」、Computer、36 :41–52、CiteSeerX 10.1.1.70.613、doi :10.1109/MC.2003.1160055
- ^ Gehrig, Stefan K.; Stein, Fridtjof J. (1999).自動運転車のためのステレオビジョンを使用したデッドレコニングと地図作成。IEEE /RSJ国際インテリジェントロボットシステム会議。第 3 巻。慶州。pp. 1507–1512。doi :10.1109/IROS.1999.811692。ISBN 0-7803-5184-3。
- ^ 「自動運転ウーバー車が道路を横断中のアリゾナ州女性をはねる」ロイター2018年3月20日。
- ^ Thrun, Sebastian (2010). 「ロボットカーに向けて」Communications of the ACM . 53 (4): 99–106. doi :10.1145/1721654.1721679. S2CID 207177792.
- ^ 「Information Engineering Main/Home Page」. オックスフォード大学. 2022年7月3日時点のオリジナルよりアーカイブ。2018年10月3日閲覧。
- ^ Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016) Deep Learning . MIT Press. p. 196. ISBN 9780262035613
- ^ Nielsen, Michael A. (2015). 「第6章」.ニューラルネットワークとディープラーニング. 2022年8月8日時点のオリジナルよりアーカイブ。2022年7月5日閲覧。
- ^ “Deep Networks: Overview - Ufldl”. ufldl.stanford.edu . 2022年3月16日時点のオリジナルよりアーカイブ。2017年8月4日閲覧。
- ^ Goller, Christoph; Küchler, Andreas (1996). 「構造を介したバック プロパゲーションによるタスク依存分散表現の学習」。国際ニューラルネットワーク会議 (ICNN'96) の議事録。第 1 巻。pp. 347–352。CiteSeerX 10.1.1.49.1968。doi : 10.1109/ICNN.1996.548916。ISBN 0-7803-3210-5. S2CID 6536466。
- ^ Mozer, MC (1995). 「時間パターン認識のための集中型バックプロパゲーションアルゴリズム」。Chauvin, Y.、Rumelhart, D. (編)。バックプロパゲーション: 理論、アーキテクチャ、およびアプリケーション。ヒルズデール、ニュージャージー: Lawrence Erlbaum Associates。pp. 137–169 。 2017年8月21日閲覧。
- ^ Robinson, AJ & Fallside, F. (1987). ユーティリティ駆動型動的エラー伝播ネットワーク (技術レポート). ケンブリッジ大学工学部. CUED/F-INFENG/TR.1.
- ^ Werbos, Paul J. (1988). 「バックプロパゲーションの一般化とリカレントガス市場モデルへの応用」ニューラルネットワーク. 1 (4): 339–356. doi :10.1016/0893-6080(88)90007-x.
- ^ ファイゲンバウム、エドワード (1988)。エキスパート・カンパニーの台頭。タイムズ・ブックス。317 ページ。ISBN 978-0-8129-1731-4。
- ^ Sivic, Josef (2009年4月). 「テキスト検索としてキャストされたビデオの効率的な視覚検索」(PDF) . IEEE Transactions on Pattern Analysis and Machine Intelligence . 31 (4): 591–605. CiteSeerX 10.1.1.174.6841 . doi :10.1109/TPAMI.2008.111. PMID 19229077. S2CID 9899337. 2022年3月31日時点の オリジナル(PDF)からアーカイブ。 2022年7月5日閲覧。
- ^ McTear et al 2016、167ページ。
- ^ 「バッチ正規化レイヤーを介した逆方向パスの理解」kratzert.github.io 。2018 年4 月 24 日閲覧。
- ^ Ioffe, Sergey; Szegedy, Christian (2015). 「バッチ正規化: 内部共変量シフトの削減によるディープネットワークトレーニングの高速化」. arXiv : 1502.03167 [cs.LG].
- ^ 「ディープラーニング用語集：バッチ正規化」medium.com 2017年6月27日2018年4月24日閲覧。
- ^ Pham DT、Ghanbarzadeh A、Koc E、Otri S、Rahim S、Zaidi M. The Bees Algorithm。技術ノート、製造エンジニアリングセンター、カーディフ大学、英国、2005 年。
- ^ Pham, DT, Castellani, M. (2009)「ミツバチのアルゴリズム - 連続最適化問題を解決するための採餌行動のモデル化」Wayback Machineに2016年11月9日アーカイブ。Proc. ImechE、パートC、223(12)、2919-2938。
- ^ Pham, DT; Castellani, M. (2014). 「自然にヒントを得た集団ベースの連続最適化アルゴリズムのベンチマークと比較」. Soft Computing . 18 (5): 871–903. doi :10.1007/s00500-013-1104-9. S2CID 35138140.
- ^ Pham, Duc Truong; Castellani, Marco (2015). 「関数最適化ツールとしての Bees アルゴリズムの比較研究」Cogent Engineering . 2 . doi : 10.1080/23311916.2015.1091540 .
- ^ Nasrinpour, HR; Massah Bavani, A.; Teshnehlab, M. (2017). 「グループ化された Bees アルゴリズム: Bees アルゴリズムのグループ化バージョン」. Computers . 6 (1): 5. doi : 10.3390/computers6010005 .
- ^ Cao, Longbing (2010). 「行動の詳細な理解と利用: 行動情報科学アプローチ」.情報科学. 180 (17): 3067–3085. arXiv : 2007.15516 . doi :10.1016/j.ins.2010.03.025. S2CID 7400761.
- ^ Colledanchise Michele、Ögren Petter 2016。「ビヘイビア ツリーがハイブリッド制御システムをモジュール化し、シーケンシャル ビヘイビア コンポジション、サブサンプション アーキテクチャ、および決定木を一般化する方法」IEEE Transactions on Robotics vol.PP、no.99、pp.1-18 (2016)
- ^ コレダンチャイセ、ミケーレ;ペッター・オーグレン（2018）。ロボット工学と AI における動作ツリー。arXiv : 1709.00084。土井：10.1201/9780429489105。ISBN 9780429950902. S2CID 27470659。
- ^ Breur, Tom (2016年7月). 「統計的検出力分析と社会科学における現代の「危機」」. Journal of Marketing Analytics . 4 (2–3): 61–65. doi : 10.1057/s41270-016-0001-3 . ISSN 2050-3318.
- ^ ポール・バックマン(1894)。 Analytische Zahlentheorie [解析的整数論] (ドイツ語)。 Vol. 2. ライプツィヒ：トイブナー。
- ^ エドマンド・ランダウ(1909)。 Handbuch der Lehre von der Verreilung der Primzahlen [素数の分布理論に関するハンドブック] (ドイツ語)。ライプツィヒ：BG・トイブナー。 p. 883。
- ^ ジョン・テイラー（2009年）。ガルニエ・ローワン（編）。離散数学：証明、構造、応用、第3版。CRC Press。p.620。ISBN 978-1-4398-1280-8。
- ^ スキエナ、スティーブン S (2009)。アルゴリズム設計マニュアル。シュプリンガー サイエンス & ビジネス メディア。p. 77。ISBN 978-1-84800-070-4。
- ^ Erman, LD; Hayes-Roth, F.; Lesser, VR; Reddy, DR (1980). 「Hearsay-II 音声理解システム: 不確実性を解決するための知識の統合」ACM Computing Surveys . 12 (2): 213. doi :10.1145/356810.356816. S2CID 118556.
- ^ Corkill, Daniel D. (1991年9月). 「Blackboard Systems」(PDF) . AI Expert . 6 (9): 40–47. 2012年4月16日時点のオリジナル(PDF)よりアーカイブ。 2022年7月5日閲覧。
- ^ * Nii, H. Yenny (1986). Blackboard Systems (PDF) (技術レポート). スタンフォード大学コンピュータサイエンス学部. STAN-CS-86-1123 . 2013年4月12日閲覧。
- ^ Hayes-Roth, B. (1985). 「制御のための黒板アーキテクチャ」.人工知能. 26 (3): 251–321. doi :10.1016/0004-3702(85)90063-3.
- ^ Hinton, Geoffrey E. (2007年5月24日). 「ボルツマンマシン」. Scholarpedia . 2 (5): 1668. Bibcode :2007SchpJ...2.1668H. doi : 10.4249/scholarpedia.1668 . ISSN 1941-6016.
- ^ NZZ- Die Zangngeburt eines möglichen Stammvaters。ウェブサイトNeue Zürcher Zeitung。 2013 年 8 月 16 日に見られました。
- ^ 公式ホームページ Roboy 2013年8月3日アーカイブ、Wayback Machineより。ウェブサイト Roboy。2013年8月16日閲覧。
- ^ 公式ホームページ Starmind。ウェブサイト Starmind。2013年8月16日閲覧。
- ^ Sabour, Sara; Frosst, Nicholas; Hinton, Geoffrey E. (2017 年 10 月 26 日). 「カプセル間の動的ルーティング」. arXiv : 1710.09829 [cs.CV].
- ^ 「チャットボットとは何か?」techtarget.com 。 2017年1月30日閲覧。
- ^ Civera, Javier; Ciocarlie, Matei; Aydemir, Alper; Bekris, Kostas; Sarma, Sanjay (2015). 「クラウドロボティクスとオートメーションに関するゲスト編集特別号」. IEEE Transactions on Automation Science and Engineering . 12 (2): 396–397. doi : 10.1109/TASE.2015.2409511 . S2CID 16080778.
- ^ 「Robo Earth - 技術ニュース」。Robo Earth。
- ^ ゴールドバーグ、ケン。「クラウドロボティクスとオートメーション」。
- ^ Li, R. 「クラウドロボティクス - ロボットのためのクラウドコンピューティングの実現」2014 年12 月 7 日閲覧。
- ^フィッシャー、ダグラス (1987) 。「増分概念クラスタリングによる知識獲得」。機械学習。2 (2): 139–172。doi : 10.1007/ BF00114265。
- ^ フィッシャー、ダグラス H. (1987 年 7 月)。「概念クラスタリングによる推論の改善」。1987年 AAAI カンファレンス議事録。AAAI カンファレンス。ワシントン州シアトル。pp. 461–465。
- ^ Iba, William; Langley, Pat (27 January 2011). "Cobweb models of categorization and probabilistic concept formation". In Pothos, Emmanuel M.; Wills, Andy J. (eds.). Formal approaches in categorization. Cambridge: Cambridge University Press. pp. 253–273. ISBN 9780521190480.
- ^ Refer to the ICT website: https://cogarch.ict.usc.edu/
- ^ "Hewlett Packard Labs". Archived from the original on 30 October 2016. Retrieved 5 July 2022.
- ^ Terdiman, Daniel (2014) .IBM's TrueNorth processor mimics the human brain.https://cnet.com/news/ibms-truenorth-processor-mimics-the-human-brain/
- ^ Knight, Shawn (2011). IBM unveils cognitive computing chips that mimic human brain TechSpot: August 18, 2011, 12:00 PM
- ^ Hamill, Jasper (2013). Cognitive computing: IBM unveils software for its brain-like SyNAPSE chips The Register: August 8, 2013
- ^ Denning., P.J. (2014). "Surfing Toward the Future". Communications of the ACM. 57 (3): 26–29. doi:10.1145/2566967. S2CID 20681733.
- ^ Ludwig, Lars (2013). Extended Artificial Memory: Toward an integral cognitive theory of memory and technology (pdf) (Thesis). Technical University of Kaiserslautern. Retrieved 7 February 2017.
- ^ "Research at HP Labs". Archived from the original on 7 March 2022. Retrieved 5 July 2022.
- ^ Cognitive science is an interdisciplinary field of researchers from Linguistics, psychology, neuroscience, philosophy, computer science, and anthropology that seek to understand the mind. How We Learn: Ask the Cognitive Scientist
- ^ Schrijver, Alexander (February 1, 2006). A Course in Combinatorial Optimization (PDF), page 1.
- ^ HAYKIN, S. Neural Networks - A Comprehensive Foundation. Second edition. Pearson Prentice Hall: 1999.
- ^ "PROGRAMS WITH COMMON SENSE". www-formal.stanford.edu. Retrieved 11 April 2018.
- ^ Davis, Ernest; Marcus, Gary (2015). "Commonsense reasoning". Communications of the ACM. Vol. 58, no. 9. pp. 92–103. doi:10.1145/2701413.
- ^ Hulstijn, J, and Nijholt, A. (eds.). Proceedings of the International Workshop on Computational Humor. Number 12 in Twente Workshops on Language Technology, Enschede, Netherlands. University of Twente, 1996.
- ^ "ACL - Association for Computational Learning".
- ^ Trappenberg, Thomas P. (2002). Fundamentals of Computational Neuroscience. United States: Oxford University Press Inc. p. 1. ISBN 978-0-19-851582-1.
- ^ What is computational neuroscience? Patricia S. Churchland, Christof Koch, Terrence J. Sejnowski. in Computational Neuroscience pp.46-55. Edited by Eric L. Schwartz. 1993. MIT Press "Computational Neuroscience Edited by Eric L. Schwartz". Archived from the original on 4 June 2011. Retrieved 11 June 2009.
- ^ "Theoretical Neuroscience". The MIT Press. Archived from the original on 31 May 2018. Retrieved 24 May 2018.
- ^ Gerstner, W.; Kistler, W.; Naud, R.; Paninski, L. (2014). Neuronal Dynamics. Cambridge, UK: Cambridge University Press. ISBN 9781107447615.
- ^ Kamentsky, L.A.; Liu, C.-N. (1963). "Computer-Automated Design of Multifont Print Recognition Logic". IBM Journal of Research and Development. 7 (1): 2. doi:10.1147/rd.71.0002. Archived from the original on 3 March 2016. Retrieved 5 July 2022.
- ^ Brncick, M (2000). "Computer automated design and computer automated manufacture". Phys Med Rehabil Clin N Am. 11 (3): 701–13. doi:10.1016/s1047-9651(18)30806-4. PMID 10989487.
- ^ Li, Y.; et al. (2004). "CAutoCSD - Evolutionary search and optimisation enabled computer automated control system design". International Journal of Automation and Computing. 1 (1): 76–88. doi:10.1007/s11633-004-0076-8. S2CID 55417415.
- ^ Kramer, GJE; Grierson, DE (1989). "Computer automated design of structures under dynamic loads". Computers & Structures. 32 (2): 313–325. doi:10.1016/0045-7949(89)90043-6.
- ^ Moharrami, H; Grierson, DE (1993). "Computer-Automated Design of Reinforced Concrete Frameworks". Journal of Structural Engineering. 119 (7): 2036–2058. doi:10.1061/(asce)0733-9445(1993)119:7(2036).
- ^ Xu, L; Grierson, DE (1993). "Computer-Automated Design of Semirigid Steel Frameworks". Journal of Structural Engineering. 119 (6): 1740–1760. doi:10.1061/(asce)0733-9445(1993)119:6(1740).
- ^ Barsan, GM; Dinsoreanu, M, (1997). Computer-automated design based on structural performance criteria, Mouchel Centenary Conference on Innovation in Civil and Structural Engineering, Aug 19-21, Cambridge England, Innovation in Civil and Structural Engineering, 167-172
- ^ Li, Yun (1996). "Genetic algorithm automated approach to the design of sliding mode control systems". International Journal of Control. 63 (4): 721–739. doi:10.1080/00207179608921865.
- ^ Li, Yun; Chwee Kim, Ng; Chen Kay, Tan (1995). "Automation of Linear and Nonlinear Control Systems Design by Evolutionary Computation" (PDF). IFAC Proceedings Volumes. 28 (16): 85–90. doi:10.1016/S1474-6670(17)45158-5.
- ^ Barsan, GM, (1995) Computer-automated design of semirigid steel frameworks according to EUROCODE-3, Nordic Steel Construction Conference 95, JUN 19-21, 787-794
- ^ Gray, Gary J.; Murray-Smith, David J.; Li, Yun; et al. (1998). "Nonlinear model structure identification using genetic programming" (PDF). Control Engineering Practice. 6 (11): 1341–1352. doi:10.1016/s0967-0661(98)00087-2.
- ^ Zhang, Jun; Zhan, Zhi-hui; Lin, Ying; Chen, Ni; Gong, Yue-Jiao; Zhong, Jing-hui; Chung, Henry S.H.; Li, Yun; Shi, Yu-hui (2011). "Evolutionary Computation Meets Machine Learning: A Survey". IEEE Computational Intelligence Magazine. 6 (4): 68–75. doi:10.1109/MCI.2011.942584. S2CID 6760276.
- ^ Gregory S. Hornby (2003). Generative Representations for Computer-Automated Design Systems, NASA Ames Research Center, Mail Stop 269-3, Moffett Field, CA 94035-1000
- ^ J. Clune and H. Lipson (2011). Evolving three-dimensional objects with a generative encoding inspired by developmental biology. Proceedings of the European Conference on Artificial Life. 2011.
- ^ Zhan, Z.H.; et al. (2009). "Adaptive Particle Swarm Optimization" (PDF). IEEE Transactions on Systems, Man, and Cybernetics - Part B: Cybernetics. 39 (6): 1362–1381. doi:10.1109/tsmcb.2009.2015956. PMID 19362911. S2CID 11191625.
- ^ "WordNet Search—3.1". Wordnetweb.princeton.edu. Archived from the original on 14 January 2013. Retrieved 14 May 2012.
- ^ Dana H. Ballard; Christopher M. Brown (1982). Computer Vision. Prentice Hall. ISBN 0-13-165316-4.
- ^ Huang, T. (1996-11-19). Vandoni, Carlo, E, ed. Computer Vision : Evolution And Promise (PDF). 19th CERN School of Computing. Geneva: CERN. pp. 21–25. doi:10.5170/CERN-1996-008.21. ISBN 978-9290830955.
- ^ Milan Sonka; Vaclav Hlavac; Roger Boyle (2008). Image Processing, Analysis, and Machine Vision. Thomson. ISBN 0-495-08252-X.
- ^ Garson, James (27 November 2018). Zalta, Edward N. (ed.). The Stanford Encyclopedia of Philosophy. Metaphysics Research Lab, Stanford University – via Stanford Encyclopedia of Philosophy.
- ^ "Ishtar for Belgium to Belgrade". European Broadcasting Union. Retrieved 19 May 2013.
- ^ LeCun, Yann. "LeNet-5, convolutional neural networks". Retrieved 16 November 2013.
- ^ Zhang, Wei (1988). "Shift-invariant pattern recognition neural network and its optical architecture". Proceedings of annual conference of the Japan Society of Applied Physics.
- ^ Zhang, Wei (1990). "Parallel distributed processing model with local space-invariant interconnections and its optical architecture". Applied Optics. 29 (32): 4790–7. Bibcode:1990ApOpt..29.4790Z. doi:10.1364/AO.29.004790. PMID 20577468.
- ^ Tian, Yuandong; Zhu, Yan (2015). "Better Computer Go Player with Neural Network and Long-term Prediction". arXiv:1511.06410v1 [cs.LG].
- ^ "How Facebook's AI Researchers Built a Game-Changing Go Engine". MIT Technology Review. 4 December 2015. Retrieved 3 February 2016.
- ^ "Facebook AI Go Player Gets Smarter With Neural Network And Long-Term Prediction To Master World's Hardest Game". Tech Times. 28 January 2016. Retrieved 24 April 2016.
- ^ "Facebook's artificially intelligent Go player is getting smarter". VentureBeat. 27 January 2016. Retrieved 24 April 2016.
- ^ Solomonoff, R.J.The Time Scale of Artificial Intelligence; Reflections on Social Effects, Human Systems Management, Vol 5 1985, Pp 149-153
- ^ Moor, J., The Dartmouth College Artificial Intelligence Conference: The Next Fifty years, AI Magazine, Vol 27, No., 4, Pp. 87-9, 2006
- ^ Kline, Ronald R., Cybernetics, Automata Studies and the Dartmouth Conference on Artificial Intelligence, IEEE Annals of the History of Computing, October–December, 2011, IEEE Computer Society
- ^ a b Haghighat, Mohammad; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). "Discriminant Correlation Analysis: Real-Time Feature Level Fusion for Multimodal Biometric Recognition". IEEE Transactions on Information Forensics and Security. 11 (9): 1984–1996. doi:10.1109/TIFS.2016.2569061. S2CID 15624506.
- ^ Lenzerini, Maurizio (2002). "Data Integration: A Theoretical Perspective" (PDF). PODS 2002. pp. 233–246. Archived from the original (PDF) on 27 October 2021. Retrieved 5 July 2022.
- ^ Lane, Frederick (2006). "IDC: World Created 161 Billion Gigs of Data in 2006".
- ^ Dhar, V. (2013). "Data science and prediction". Communications of the ACM. 56 (12): 64–73. doi:10.1145/2500499. S2CID 6107147.
- ^ Leek, Jeff (12 December 2013). "The key word in 'Data Science' is not Data, it is Science". Simply Statistics. Archived from the original on 2 January 2014. Retrieved 11 November 2018.
- ^ Hayashi, Chikio (1 January 1998). "What is Data Science ? Fundamental Concepts and a Heuristic Example". In Hayashi, Chikio; Yajima, Keiji; Bock, Hans-Hermann; Ohsumi, Noboru; Tanaka, Yutaka; Baba, Yasumasa (eds.). Data Science, Classification, and Related Methods. Studies in Classification, Data Analysis, and Knowledge Organization. Springer Japan. pp. 40–51. doi:10.1007/978-4-431-65950-1_3. ISBN 9784431702085.
- ^ Dedić, Nedim; Stanier, Clare (2016). Hammoudi, Slimane; Maciaszek, Leszek; Missikoff, Michele M. Missikoff; Camp, Olivier; Cordeiro, José (eds.). An Evaluation of the Challenges of Multilingualism in Data Warehouse Development. International Conference on Enterprise Information Systems, 25–28 April 2016, Rome, Italy (PDF). Proceedings of the 18th International Conference on Enterprise Information Systems (ICEIS 2016). Vol. 1. SciTePress. pp. 196–206. doi:10.5220/0005858401960206. ISBN 978-989-758-187-8.
- ^ "9 Reasons Data Warehouse Projects Fail". blog.rjmetrics.com. 4 December 2014. Retrieved 30 April 2017.
- ^ Huang; Green; Loo, "Datalog and Emerging applications", SIGMOD 2011 (PDF), UC Davis, archived from the original (PDF) on 1 July 2022, retrieved 5 July 2022.
- ^ Steele, Katie and Stefánsson, H. Orri, "Decision Theory", The Stanford Encyclopedia of Philosophy (Winter 2015 Edition), Edward N. Zalta (ed.), URL = [1]
- ^ Lloyd, J.W., Practical Advantages of Declarative Programming
- ^ "About Us | DeepMind". DeepMind.
- ^ "A return to Paris | DeepMind". DeepMind. 29 March 2018.
- ^ "The Last AI Breakthrough DeepMind Made Before Google Bought It". The Physics arXiv Blog. 29 January 2014. Retrieved 12 October 2014.
- ^ Graves, Alex; Wayne, Greg; Danihelka, Ivo (2014). "Neural Turing Machines". arXiv:1410.5401 [cs.NE].
- ^ Best of 2014: Google's Secretive DeepMind Startup Unveils a "Neural Turing Machine" Archived 4 December 2015 at the Wayback Machine, MIT Technology Review
- ^ Graves, Alex; Wayne, Greg; Reynolds, Malcolm; Harley, Tim; Danihelka, Ivo; Grabska-Barwińska, Agnieszka; Colmenarejo, Sergio Gómez; Grefenstette, Edward; Ramalho, Tiago (12 October 2016). "Hybrid computing using a neural network with dynamic external memory". Nature. 538 (7626): 471–476. Bibcode:2016Natur.538..471G. doi:10.1038/nature20101. ISSN 1476-4687. PMID 27732574. S2CID 205251479.
- ^ Kohs, Greg (29 September 2017), AlphaGo, Ioannis Antonoglou, Lucas Baker, Nick Bostrom, retrieved 9 January 2018
- ^ Silver, David; Hubert, Thomas; Schrittwieser, Julian; Antonoglou, Ioannis; Lai, Matthew; Guez, Arthur; Lanctot, Marc; Sifre, Laurent; Kumaran, Dharshan; Graepel, Thore; Lillicrap, Timothy; Simonyan, Karen; Hassabis, Demis (5 December 2017). "Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm". arXiv:1712.01815 [cs.AI].
- ^ Ester, Martin; Kriegel, Hans-Peter; Sander, Jörg; Xu, Xiaowei (1996). Simoudis, Evangelos; Han, Jiawei; Fayyad, Usama M. (eds.). A density-based algorithm for discovering clusters in large spatial databases with noise (PDF). Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96). AAAI Press. pp. 226–231. CiteSeerX 10.1.1.121.9220. ISBN 1-57735-004-9.
- ^ Sikos, Leslie F. (2017). Description Logics in Multimedia Reasoning. Cham: Springer International Publishing. doi:10.1007/978-3-319-54066-5. ISBN 978-3-319-54066-5. S2CID 3180114.
- ^ Ho, Jonathan; Jain, Ajay; Abbeel, Pieter (19 June 2020). Denoising Diffusion Probabilistic Models. arXiv:2006.11239.
- ^ Song, Yang; Sohl-Dickstein, Jascha; Kingma, Diederik P.; Kumar, Abhishek; Ermon, Stefano; Poole, Ben (10 February 2021). "Score-Based Generative Modeling through Stochastic Differential Equations". arXiv:2011.13456 [cs.LG].
- ^ Gu, Shuyang; Chen, Dong; Bao, Jianmin; Wen, Fang; Zhang, Bo; Chen, Dongdong; Yuan, Lu; Guo, Baining (2021). "Vector Quantized Diffusion Model for Text-to-Image Synthesis". arXiv:2111.14822 [cs.CV].
- ^ Chang, Ziyi; Koulieris, George Alex; Shum, Hubert P. H. (2023). "On the Design Fundamentals of Diffusion Models: A Survey". arXiv:2306.04542 [cs.LG].
- ^ Croitoru, Florinel-Alin; Hondru, Vlad; Ionescu, Radu Tudor; Shah, Mubarak (2023). "Diffusion Models in Vision: A Survey". IEEE Transactions on Pattern Analysis and Machine Intelligence. 45 (9): 10850–10869. arXiv:2209.04747. doi:10.1109/TPAMI.2023.3261988. PMID 37030794. S2CID 252199918.
- ^ Roweis, S. T.; Saul, L. K. (2000). "Nonlinear Dimensionality Reduction by Locally Linear Embedding". Science. 290 (5500): 2323–2326. Bibcode:2000Sci...290.2323R. CiteSeerX 10.1.1.111.3313. doi:10.1126/science.290.5500.2323. PMID 11125150. S2CID 5987139.
- ^ Pudil, P.; Novovičová, J. (1998). "Novel Methods for Feature Subset Selection with Respect to Problem Knowledge". In Liu, Huan; Motoda, Hiroshi (eds.). Feature Extraction, Construction and Selection. pp. 101. doi:10.1007/978-1-4615-5725-8_7. ISBN 978-1-4613-7622-4.
- ^ Demazeau, Yves, and J-P. Müller, eds. Decentralized Ai. Vol. 2. Elsevier, 1990.
- ^ Hendrickx, Iris; Van den Bosch, Antal (October 2005). "Hybrid algorithms with Instance-Based Classification". Machine Learning: ECML2005. Springer. pp. 158–169. ISBN 9783540292432.
- ^ a b Ostrow, Adam (5 March 2011). "Roger Ebert's Inspiring Digital Transformation". Mashable Entertainment. Retrieved 12 September 2011.
With the help of his wife, two colleagues and the Alex-equipped MacBook that he uses to generate his computerized voice, famed film critic Roger Ebert delivered the final talk at the TED conference on Friday in Long Beach, California....
- ^ Lee, Jennifer (7 March 2011). "Roger Ebert Tests His Vocal Cords, and Comedic Delivery". The New York Times. Retrieved 12 September 2011.
Now perhaps, there is the Ebert Test, a way to see if a synthesized voice can deliver humor with the timing to make an audience laugh.... He proposed the Ebert Test as a way to gauge the humanness of a synthesized voice.
- ^ "Roger Ebert's Inspiring Digital Transformation". Tech News. 5 March 2011. Archived from the original on 25 March 2011. Retrieved 12 September 2011.
Meanwhile, the technology that enables Ebert to "speak" continues to see improvements – for example, adding more realistic inflection for question marks and exclamation points. In a test of that, which Ebert called the "Ebert test" for computerized voices,
- ^ Pasternack, Alex (18 April 2011). "A MacBook May Have Given Roger Ebert His Voice, But An iPod Saved His Life (Video)". Motherboard. Archived from the original on 6 September 2011. Retrieved 12 September 2011.
He calls it the "Ebert Test," after Turing's AI standard...
- ^ Jaeger, Herbert; Haas, Harald (2004). "Harnessing Nonlinearity: Predicting Chaotic Systems and Saving Energy in Wireless Communication" (PDF). Science. 304 (5667): 78–80. Bibcode:2004Sci...304...78J. doi:10.1126/science.1091277. PMID 15064413. S2CID 2184251. Archived from the original (PDF) on 1 September 2022. Retrieved 5 July 2022.
- ^ Herbert Jaeger (2007) Echo State Network. Archived 28 June 2022 at the Wayback Machine Scholarpedia.
- ^ Serenko, Alexander; Bontis, Nick; Detlor, Brian (2007). "End-user adoption of animated interface agents in everyday work applications" (PDF). Behaviour and Information Technology. 26 (2): 119–132. doi:10.1080/01449290500260538. S2CID 2175427.
- ^ Opitz, D.; Maclin, R. (1999). "Popular ensemble methods: An empirical study". Journal of Artificial Intelligence Research. 11: 169–198. arXiv:1106.0257. doi:10.1613/jair.614.
- ^ Polikar, R. (2006). "Ensemble based systems in decision making". IEEE Circuits and Systems Magazine. 6 (3): 21–45. doi:10.1109/MCAS.2006.1688199. S2CID 18032543.
- ^ Rokach, L. (2010). "Ensemble-based classifiers". Artificial Intelligence Review. 33 (1–2): 1–39. doi:10.1007/s10462-009-9124-7. hdl:11323/1748. S2CID 11149239.
- ^ Vikhar, P. A. (2016). "Evolutionary algorithms: A critical review and its future prospects". 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC). Jalgaon, 2016, pp. 261-265. pp. 261–265. doi:10.1109/ICGTSPICC.2016.7955308. ISBN 978-1-5090-0467-6. S2CID 22100336.
- ^ Russell, Stuart; Norvig, Peter (2009). "26.3: The Ethics and Risks of Developing Artificial Intelligence". Artificial Intelligence: A Modern Approach. Prentice Hall. ISBN 978-0-13-604259-4.
- ^ ボストロム、ニック（2002年）。「実存的リスク」。進化と技術ジャーナル。9 （1） ： 1–31。
- ^ 「あなたの人工知能チートシート」Slate 2016年4月1日2016年5月16日閲覧。
- ^ ジャクソン、ピーター（1998）、エキスパートシステム入門（第3版）、アディソンウェスレー、p. 2、ISBN 978-0-201-87686-4
- ^ 「従来のプログラミング」。PC Magazine。2012年10月14日時点のオリジナルよりアーカイブ。 2013年9月15日閲覧。
- ^ Martignon, Laura; Vitouch, Oliver; Takezawa, Masanori; Forster, Malcolm. 「素朴でありながら啓発的: 自然周波数から高速で質素な意思決定ツリーまで」、Thinking: Psychological perspectives on reasoning, judgement and decision making (David Hardman および Laura Macchi 編)、Chichester: John Wiley & Sons、2003 年。
- ^ ビショップ、クリストファー（2006）。パターン認識と機械学習。ベルリン：シュプリンガー。ISBN 0-387-31073-8。
- ^ Bengio, Y.; Courville, A.; Vincent, P. (2013). 「表現学習: レビューと新たな展望」. IEEE Transactions on Pattern Analysis and Machine Intelligence . 35 (8): 1798–1828. arXiv : 1206.5538 . doi :10.1109/tpami.2013.50. PMID 23787338. S2CID 393948.
- ^ ab Hodgson, Dr. JPE、「First Order Logic」、 Wayback Machineに2019年9月21日アーカイブ、セントジョセフ大学、フィラデルフィア、1995年。
- ^ Hughes, GE、Cresswell, MJ、「様相論理の新入門」（ロンドン：Routledge、1996年）、161ページ。
- ^ ファイゲンバウム、エドワード (1988)。エキスパート・カンパニーの台頭。タイムズ・ブックス。318 ページ。ISBN 978-0-8129-1731-4。
- ^ Hayes, Patrick (1981). 「人工知能におけるフレーム問題と関連問題」(PDF) .人工知能の読み物. エディンバラ大学: 223–230. doi :10.1016/B978-0-934613-03-3.50020-9. ISBN 9780934613033. S2CID 141711662. 2013年12月3日時点の オリジナル（PDF）からアーカイブ。2019年3月9日閲覧。
- ^ Sardar, Z (2010). 「名前の由来: 未来; 未来学; 未来志向; 先見 -- 名前に込められた意味とは?」. Futures . 42 (3): 177–184. doi :10.1016/j.futures.2009.11.001.
- ^ Pedrycz, Witold (1993).ファジー制御とファジーシステム(第2版). Research Studies Press Ltd.
- ^ Hájek, Petr (1998).ファジー論理のメタ数学(第4版). Springer Science & Business Media.
- ^ D. Dubois および H. Prade (1988)「ファジー集合とシステム」Academic Press、ニューヨーク。
- ^ Liang, Lily R.; Lu, Shiyong; Wang, Xuena; Lu, Yi; Mandal, Vinay; Patacsil, Dorrelyn; Kumar, Deepak (2006). 「FM テスト: ファジー集合論に基づく差分遺伝子発現データ分析アプローチ」BMC Bioinformatics . 7 (Suppl 4): S7. doi : 10.1186/1471-2105-7-S4-S7 . PMC 1780132 . PMID 17217525.
- ^ Myerson, Roger B. (1991).ゲーム理論: 対立の分析、ハーバード大学出版局、p. 1。章のプレビューリンク、pp. vii–xi。
- ^ Pell, Barney (1992). H. van den Herik; L. Allis (eds.). 「メタゲーム：ゲームと学習への新たな挑戦」[人工知能におけるヒューリスティックプログラミング3–第3回コンピュータオリンピック] (PDF) 。Ellis-Horwood。 2020年2月17日時点のオリジナル(PDF)からアーカイブ。 2020年6月13日閲覧。
- ^ Pell, Barney (1996). 「一般的なチェスのようなゲームのための戦略的メタゲームプレイヤー」.計算知能. 12 (1): 177–198. doi :10.1111/j.1467-8640.1996.tb00258.x. ISSN 1467-8640. S2CID 996006.
- ^ ジェネセレス、マイケル、ラブ、ナサニエル、ペル、バーニー（2005年6月15日）。「一般的なゲームのプレイ：AAAI競技会の概要」。AIマガジン。26（2）：62。doi ： 10.1609 /aimag.v26i2.1813。ISSN 2371-9621 。
- ^ グリフィス、エリン、メッツ、ケイド（2023年1月27日）。「アントロピック、新たなAI資金3億ドル獲得目前と報道」ニューヨーク・タイムズ。2023年3月14日閲覧。
- ^ Lanxon, Nate; Bass, Dina; Davalos, Jackie (2023年3月10日). 「AIの流行語とその意味のチートシート」ブルームバーグニュース。 2023年3月14日閲覧。
- ^ Pasick, Adam (2023年3月27日). 「人工知能用語集：ニューラルネットワークとその他の用語の説明」.ニューヨークタイムズ. ISSN 0362-4331 . 2023年4月22日閲覧。
- ^ アンドレイ・カルパシー;ピーテル・アッビール;グレッグ・ブロックマン;ピーター・チェン;ヴィッキー・チャン;ヤン・ドゥアン。イアン・グッドフェロー。ダルク・キングマ。ジョナサン・ホー。レイン・ホートフト;ティム・サリマンズ。ジョン・シュルマン;イリヤ・サツケヴァー。ヴォイチェフ・ザレンバ（2016年6月16日）。 「生成モデル」。オープンAI。
- ^ ミッチェル 1996、2ページ。
- ^ スミス、クレイグ・S. (2023年3月15日). 「ChatGPT-4の開発者イリヤ・スツケヴァー氏が語るAI幻覚とAI民主主義」フォーブス. 2023年12月25日閲覧。
- ^ Trudeau, Richard J. (1993). グラフ理論入門 (訂正、拡大再出版。編集). ニューヨーク: Dover Pub. p. 19. ISBN 978-0-486-67870-2. 2012 年8 月 8 日閲覧。グラフは、
頂点集合
と
辺集合
と呼ばれる 2 つの集合で構成されるオブジェクトです。
- ^ Yoon, Byoung-Ha; Kim, Seon-Kyu; Kim, Seon-Young (2017年3月). 「異種生物学データの統合のためのグラフデータベースの使用」. Genomics & Informatics . 15 (1): 19–27. doi :10.5808/GI.2017.15.1.19. ISSN 1598-866X. PMC 5389944. PMID 28416946 .
- ^ ブルバキス、ニコラオス G. (1998)。人工知能とオートメーション。ワールドサイエンティフィック。p. 381。ISBN 9789810226374. 2018年4月20日閲覧。
- ^ Pearl, Judea (1984).ヒューリスティックス: コンピュータ問題解決のためのインテリジェントな検索戦略。米国: Addison-Wesley Pub. Co., Inc., Reading, MA. p. 3. Bibcode :1985hiss.book.....P. OSTI 5127296.
- ^ EK Burke、E. Hart、G. Kendall、J. Newall、P. Ross、および S. Schulenburg、「ハイパーヒューリスティックス: 現代の検索テクノロジーの新たな方向性」、メタヒューリスティックスハンドブック (F. Glover および G. Kochenberger 編)、Kluwer、2003 年、pp. 457–474。
- ^ P. Ross、「ハイパーヒューリスティックス、検索方法論：最適化と意思決定支援技術の入門チュートリアル」（EK Burke とG. Kendall編）、Springer、2005 年、529-556 ページ。
- ^ Ozcan, E.; Bilgin, B.; Korkmaz, EE (2008). 「ハイパーヒューリスティックスの包括的分析」.インテリジェントデータ分析. 12 (1): 3–23. doi :10.3233/ida-2008-12102.
- ^ “IEEE CIS Scope”. 2016年6月4日時点のオリジナルよりアーカイブ。 2019年3月18日閲覧。
- ^ 「機械加工プロセスの制御 - パデュー大学ME製造研究所」。engineering.purdue.edu。
- ^ Hoy, Matthew B. (2018). 「Alexa、Siri、 Cortanaなど：音声アシスタント入門」。Medical Reference Services Quarterly。37 ( 1): 81–88。doi :10.1080/02763869.2018.1404391。PMID 29327988。S2CID 30809087 。
- ^ Oudeyer, Pierre-Yves; Kaplan, Frederic (2008). 「内発的動機をどのように定義できるか?」第 8 回エピジェネティックロボティクス会議議事録。第 5 巻。pp. 29–31。
- ^ Chevallier, Arnaud (2016). 「複雑な問題解決における戦略的思考」Oxford Scholarship Online . オックスフォード; ニューヨーク: Oxford University Press . doi :10.1093/acprof:oso/9780190463908.001.0001. ISBN 9780190463908. OCLC 940455195. S2CID 157255130.
- ^ 「戦略サバイバルガイド：問題ツリー」ロンドン：英国政府。2004年7月。2012年2月17日時点のオリジナルよりアーカイブ。2018年10月6日閲覧。PDF形式でもご利用いただけます。
- ^ ab Paskin, Mark. 「グラフィカルモデルに関する短期コース」(PDF)。スタンフォード。
- ^ Woods, WA ; Schmolze, JG (1992). 「KL-ONEファミリー」.コンピュータと数学の応用. 23 (2–5): 133. doi :10.1016/0898-1221(92)90139-9.
- ^ Brachman, RJ ; Schmolze, JG (1985). 「KL-ONE 知識表現システムの概要」(PDF) .認知科学. 9 (2): 171. doi :10.1207/s15516709cog0902_1.[永久リンク切れ ]
- ^ Duce, DA; Ringland, GA (1988).知識表現へのアプローチ、入門。Research Studies Press, Ltd. ISBN 978-0-86380-064-1。
- ^ Fix, Evelyn; Hodges, Joseph L. (1951). 判別分析. ノンパラメトリック判別: 一貫性特性(PDF) (レポート). USAF School of Aviation Medicine, Randolph Field, Texas. 2020年9月26日時点のオリジナルよりアーカイブ(PDF) 。
- ^ ロジャー・シャンク、ロバート・エイブルソン (1977)。『スクリプト、計画、目標、理解：人間の知識構造の探究』ローレンス・アールバウム・アソシエイツ社。
- ^ 「ニューラルネットワークにおける知識表現 - deepMinds」。deepMinds。 2018年8月16日。 2018年8月17日時点のオリジナルよりアーカイブ。 2018年8月16日閲覧。
- ^ カーナー、ショーン・マイケル。「大規模言語モデルとは何か？」。TechTarget 。 2024年1月28日閲覧。
- ^ Reilly, Edwin D. (2003).コンピュータサイエンスと情報技術のマイルストーン。Greenwood Publishing Group。pp. 156–157。ISBN 978-1-57356-521-9。
- ^ ホッホライター、ゼップ;シュミットフーバー、ユルゲン (1997)。 「長短期記憶」。ニューラル計算。9 (8): 1735 ～ 1780 年。土井：10.1162/neco.1997.9.8.1735。PMID 9377276。S2CID 1915014 。
- ^ Siegelmann, Hava T.; Sontag, Eduardo D. (1992). 「ニューラルネットの計算能力について」。計算学習理論に関する第 5 回年次ワークショップの議事録。Vol. COLT '92。pp. 440–449。doi : 10.1145 / 130385.130432。ISBN 978-0897914970. S2CID 207165680。
{{cite book}}:|work=無視されました (ヘルプ) - ^ 「マルコフ連鎖 | オックスフォード辞書による米国英語でのマルコフ連鎖の定義」。オックスフォード辞書 | 英語。2017年12月15日時点のオリジナルよりアーカイブ。2017年12月14日閲覧。
- ^ Brilliant.org「Brilliant Math and Science Wiki」の定義。2019年5月12日閲覧。
- ^ 「数理計画法の性質」Wayback Machineに 2014-03-05 にアーカイブ済み、数理計画法用語集、INFORMS Computing Society。
- ^ 王文武（2010年7月1日）。『マシンオーディション：原理、アルゴリズム、システム』IGI Global。ISBN 9781615209194– igi-global.comより。
- ^ 「機械聴覚：原理、アルゴリズム、システム」（PDF）。
- ^ マルコム・テイタム (2012 年 10 月 3 日)。「機械知覚とは何か」。
- ^ Alexander Serov (2013 年 1 月 29 日)。「主観的現実と強力な人工知能」(PDF)。
- ^ 「Machine Perception & Cognitive Robotics Laboratory」. ccs.fau.edu . 2016年6月18日閲覧。
- ^ 「メカトロニクス工学とは?」。入学希望者向け情報。ウォータールー大学。2011年10月6日時点のオリジナルよりアーカイブ。 2011年5月30日閲覧。
- ^ “Mechatronics (Bc., Ing., PhD.)”。2016年8月15日時点のオリジナルよりアーカイブ。2011年4月15日閲覧。
- ^ Franke; Siezen, Teusink (2005). 「細菌のゲノムから代謝ネットワークを再構築する」Trends in Microbiology . 13 (11): 550–558. doi :10.1016/j.tim.2005.09.001. PMID 16169729.
- ^ Balamurugan , R .; Natarajan, AM; Premalatha, K. (2015). 「バイクラスタリングマイクロアレイ遺伝子発現データのための恒星質量ブラックホール最適化」。応用人工知能。29 (4): 353–381。doi : 10.1080/08839514.2015.1016391。S2CID 44624424 。
- ^ Bianchi, Leonora; Dorigo, Marco; Maria Gambardella, Luca; Gutjahr, Walter J. (2009). 「確率的組み合わせ最適化のためのメタヒューリスティックスに関する調査」(PDF) . Natural Computing . 8 (2): 239–287. doi :10.1007/s11047-008-9098-4. S2CID 9141490.
- ^ ハーバート・B・エンダートン、2001年、「論理学への数学入門第2版」エンダートン：110、ハーコート・アカデミック・プレス、バーリントン、マサチューセッツ州、ISBN 978-0-12-238452-3。
- ^ Cybenko, G. 1989. シグモイド関数の重ね合わせによる近似制御、信号、システムの数学、2(4)、303–314。
- ' ^ 「自動データベース設計をサポートするナイーブ セマンティクス」、 IEEE Transactions on Knowledge and Data Engineering、第 14 巻、第 1 号 (2002 年 1 月)、VC Storey、RC Goldstein、H. Ullrich 著
- ^ Automation における早期バインディングと遅延バインディングの使用、Microsoft、2007 年 5 月 11 日、 2009 年5 月 11 日取得
- ^ 厳密に言えばURIRef
- ^ https://w3.org/TR/PR-rdf-syntax/ 「リソース記述フレームワーク (RDF) モデルと構文仕様」
- ^ ミラー、ランス A.「自然言語プログラミング: スタイル、戦略、およびコントラスト」IBM Systems Journal 20.2 (1981): 184–215。
- ^ Hopfield, JJ (1982). 「集団的計算能力の出現を伴うニューラルネットワークと物理システム」Proc. Natl. Acad. Sci. USA . 79 (8): 2554–2558. Bibcode :1982PNAS...79.2554H. doi : 10.1073/pnas.79.8.2554 . PMC 346238 . PMID 6953413.
- ^ 「Deep Minds: Google の Alex Graves 氏と Koray Kavukcuoglu 氏へのインタビュー」 。2016年5 月 17 日閲覧。
- ^ グレイブス、アレックス;ウェイン、グレッグ。ダニヘルカ、イヴォ (2014)。 「ニューラルチューリングマシン」。arXiv : 1410.5401 [cs.NE]。
- ^ Krucoff, Max O.; Rahimpour, Shervin; Slutzky, Marc W.; Edgerton, V. Reggie; Turner, Dennis A. (2016 年 1 月 1 日). 「神経生物学、神経インターフェーストレーニング、神経リハビリテーションによる神経系回復の促進」. Frontiers in Neuroscience . 10 : 584. doi : 10.3389/fnins.2016.00584 . PMC 5186786. PMID 28082858 .
- ^ Mead, Carver (1990). 「ニューロモルフィック電子システム」(PDF) . Proceedings of the IEEE . 78 (10): 1629–1636. CiteSeerX 10.1.1.161.9762 . doi :10.1109/5.58356. S2CID 1169506.
- ^ Maan, AK; Jayadevi, DA; James, AP (2016 年 1 月 1 日)。「メモリスティブしきい値ロジック回路の調査」。IEEE Transactions on Neural Networks and Learning Systems。PP ( 99): 1734–1746。arXiv : 1604.07121。doi : 10.1109 / TNNLS.2016.2547842。ISSN 2162-237X。PMID 27164608。S2CID 1798273 。
- ^ 「メモリ内処理とニューラルネットワークのためのスピントロニクスアーキテクチャの調査」、JSA、2018年
- ^ Zhou, You; Ramanathan, S. (2015年8月1日). 「Mott Memory and Neuromorphic Devices」. Proceedings of the IEEE . 103 (8): 1289–1310. doi :10.1109/JPROC.2015.2431914. ISSN 0018-9219. S2CID 11347598.
- ^ Monroe, D. (2014). 「ニューロモルフィックコンピューティングは（本当に）大きな時代に向けて準備を整えている」Communications of the ACM . 57 (6): 13–15. doi :10.1145/2601069. S2CID 20051102.
- ^ Zhao, W. S.; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J. -P.; Gamrat, C. (2010). "Nanotube devices based crossbar architecture: Toward neuromorphic computing". Nanotechnology. 21 (17): 175202. Bibcode:2010Nanot..21q5202Z. doi:10.1088/0957-4484/21/17/175202. PMID 20368686. S2CID 16253700. Archived from the original on 10 April 2021. Retrieved 2 December 2019.
- ^ The Human Brain Project SP 9: Neuromorphic Computing Platform on YouTube
- ^ Copeland, Jack (May 2000). "What is Artificial Intelligence?". AlanTuring.net. Archived from the original on 9 November 2015. Retrieved 7 November 2015.
- ^ Kleinberg, Jon; Tardos, Éva (2006). Algorithm Design (2nd ed.). Addison-Wesley. p. 464. ISBN 0-321-37291-3.
- ^ Cobham, Alan (1965). "The intrinsic computational difficulty of functions". Proc. Logic, Methodology, and Philosophy of Science II. North Holland.
- ^ "What is Occam's Razor?". math.ucr.edu. Retrieved 1 June 2019.
- ^ "OpenAI shifts from nonprofit to 'capped-profit' to attract capital". TechCrunch. Retrieved 2019-05-10.
- ^ "OpenCog: Open-Source Artificial General Intelligence for Virtual Worlds". CyberTech News. 6 March 2009. Archived from the original on 6 March 2009. Retrieved 1 October 2016.
- ^ St. Laurent, Andrew M. (2008). Understanding Open Source and Free Software Licensing. O'Reilly Media. p. 4. ISBN 9780596553951.
- ^ Levine, Sheen S.; Prietula, Michael J. (30 December 2013). "Open Collaboration for Innovation: Principles and Performance". Organization Science. 25 (5): 1414–1433. arXiv:1406.7541. doi:10.1287/orsc.2013.0872. ISSN 1047-7039. S2CID 6583883.
- ^ Definition of "overfitting" at OxfordDictionaries.com: this definition is specifically for statistics.
- ^ Bishop, Christopher M. (2006). Pattern Recognition and Machine Learning (PDF). Springer. p. vii. Pattern recognition has its origins in engineering, whereas machine learning grew out of computer science. However, these activities can be viewed as two facets of the same field, and together they have undergone substantial development over the past ten years.
- ^ Hughes, G. E., & Cresswell, M. J., A New Introduction to Modal Logic (London: Routledge, 1996), p.161.
- ^ Nyce, Charles (2007), Predictive Analytics White Paper (PDF), American Institute for Chartered Property Casualty Underwriters/Insurance Institute of America, p. 1
- ^ Eckerson, Wayne (10 May 2007), Extending the Value of Your Data Warehousing Investment, The Data Warehouse Institute
- ^ Karl R. Popper, The Myth of Framework, London (Routledge) 1994, chap. 8.
- ^ Karl R. Popper, The Poverty of Historicism, London (Routledge) 1960, chap. iv, sect. 31.
- ^ "Probabilistic programming does in 50 lines of code what used to take thousands". phys.org. 13 April 2015. Retrieved 13 April 2015.
- ^ "Probabilistic Programming". probabilistic-programming.org. Archived from the original on 10 January 2016. Retrieved 31 July 2019.
- ^ Pfeffer, Avrom (2014), Practical Probabilistic Programming, Manning Publications. p.28. ISBN 978-1 6172-9233-0
- ^ Clocksin, William F.; Mellish, Christopher S. (2003). Programming in Prolog. Berlin; New York: Springer-Verlag. ISBN 978-3-540-00678-7.
- ^ Bratko, Ivan (2012). Prolog programming for artificial intelligence (4th ed.). Harlow, England; New York: Addison Wesley. ISBN 978-0-321-41746-6.
- ^ Covington, Michael A. (1994). Natural language processing for Prolog programmers. Englewood Cliffs, N.J.: Prentice Hall. ISBN 978-0-13-629213-5.
- ^ Lloyd, J. W. (1984). Foundations of logic programming. Berlin: Springer-Verlag. ISBN 978-3-540-13299-8.
- ^ Kuhlman, Dave. "A Python Book: Beginning Python, Advanced Python, and Python Exercises". Section 1.1. Archived from the original (PDF) on 23 June 2012.
- ^ Yegulalp, Serdar (19 January 2017). "Facebook brings GPU-powered machine learning to Python". InfoWorld. Retrieved 11 December 2017.
- ^ Lorica, Ben (3 August 2017). "Why AI and machine learning researchers are beginning to embrace PyTorch". O'Reilly Media. Retrieved 11 December 2017.
- ^ Ketkar, Nikhil (2017). "Introduction to PyTorch". Deep Learning with Python. Apress, Berkeley, CA. pp. 195–208. doi:10.1007/978-1-4842-2766-4_12. ISBN 9781484227657.
- ^ Moez Ali (June 2023). "NLP with PyTorch: A Comprehensive Guide". datacamp.com. Retrieved 1 April 2024.
- ^ Patel, Mo (7 December 2017). "When two trends fuse: PyTorch and recommender systems". O'Reilly Media. Retrieved 18 December 2017.
- ^ Mannes, John. "Facebook and Microsoft collaborate to simplify conversions from PyTorch to Caffe2". TechCrunch. Retrieved 18 December 2017.
FAIR is accustomed to working with PyTorch – a deep learning framework optimized for achieving state of the art results in research, regardless of resource constraints. Unfortunately in the real world, most of us are limited by the computational capabilities of our smartphones and computers.
- ^ Arakelyan, Sophia (29 November 2017). "Tech giants are using open source frameworks to dominate the AI community". VentureBeat. Retrieved 18 December 2017.
- ^ "PyTorch strengthens its governance by joining the Linux Foundation". pytorch.org. Retrieved 13 September 2022.
- ^ a b Reiter, Raymond (2001). Knowledge in Action: Logical Foundations for Specifying and Implementing Dynamical Systems. Cambridge, Massachusetts: The MIT Press. pp. 20–22. ISBN 9780262527002.
- ^ Thielscher, Michael (September 2001). "The Qualification Problem: A solution to the problem of anomalous models". Artificial Intelligence. 131 (1–2): 1–37. doi:10.1016/S0004-3702(01)00131-X.
- ^ Grumbling, Emily; Horowitz, Mark, eds. (2019). Quantum Computing : Progress and Prospects (2018). Washington, DC: National Academies Press. p. I-5. doi:10.17226/25196. ISBN 978-0-309-47969-1. OCLC 1081001288. S2CID 125635007.
- ^ R language and environment Hornik, Kurt (4 October 2017). "R FAQ". The Comprehensive R Archive Network. 2.1 What is R?. Retrieved 6 August 2018. R Foundation Hornik, Kurt (4 October 2017). "R FAQ". The Comprehensive R Archive Network. 2.13 What is the R Foundation?. Retrieved 6 August 2018. The R Core Team asks authors who use R in their data analysis to cite the software using: R Core Team (2016). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://R-project.org/.
- ^ widely used
Fox, John & Andersen, Robert (January 2005). "Using the R Statistical Computing Environment to Teach Social Statistics Courses" (PDF). Department of Sociology, McMaster University. Retrieved 6 August 2018.
Vance, Ashlee (6 January 2009). "Data Analysts Captivated by R's Power". The New York Times. Retrieved 6 August 2018.
R is also the name of a popular programming language used by a growing number of data analysts inside corporations and academia. It is becoming their lingua franca...
- ^ Vance, Ashlee (6 January 2009). "Data Analysts Captivated by R's Power". The New York Times. Retrieved 6 August 2018.
R is also the name of a popular programming language used by a growing number of data analysts inside corporations and academia. It is becoming their lingua franca...
- ^ Broomhead, D. S.; Lowe, David (1988). Radial basis functions, multi-variable functional interpolation and adaptive networks (PDF) (Technical report). RSRE. 4148. Archived from the original on 9 April 2013.
- ^ Broomhead, D. S.; Lowe, David (1988). "Multivariable functional interpolation and adaptive networks" (PDF). Complex Systems. 2: 321–355.
- ^ Schwenker, Friedhelm; Kestler, Hans A.; Palm, Günther (2001). "Three learning phases for radial-basis-function networks". Neural Networks. 14 (4–5): 439–458. doi:10.1016/s0893-6080(01)00027-2. PMID 11411631.
- ^ Ho, Tin Kam (1995). Random Decision Forests (PDF). Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, QC, 14–16 August 1995. pp. 278–282. Archived from the original (PDF) on 17 April 2016. Retrieved 5 June 2016.
- ^ Ho, TK (1998). "The Random Subspace Method for Constructing Decision Forests". IEEE Transactions on Pattern Analysis and Machine Intelligence. 20 (8): 832–844. doi:10.1109/34.709601. S2CID 206420153.
- ^ Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome(2008). The Elements of Statistical Learning (2nd ed.). Springer. ISBN 0-387-95284-5.
- ^ Graves, A.; Liwicki, M.; Fernandez, S.; Bertolami, R.; Bunke, H.; Schmidhuber, J. (2009). "A Novel Connectionist System for Improved Unconstrained Handwriting Recognition" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 31 (5): 855–868. CiteSeerX 10.1.1.139.4502. doi:10.1109/tpami.2008.137. PMID 19299860. S2CID 14635907.
- ^ Sak, Hasim; Senior, Andrew; Beaufays, Francoise (2014). "Long Short-Term Memory recurrent neural network architectures for large scale acoustic modeling" (PDF). Archived from the original (PDF) on 24 April 2018. Retrieved 6 August 2019.
- ^ Li, Xiangang; Wu, Xihong (15 October 2014). "Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition". arXiv:1410.4281 [cs.CL].
- ^ Kaelbling, Leslie P.; Littman, Michael L.; Moore, Andrew W. (1996). "Reinforcement Learning: A Survey". Journal of Artificial Intelligence Research. 4: 237–285. arXiv:cs/9605103. doi:10.1613/jair.301. S2CID 1708582. Archived from the original on 20 November 2001. Retrieved 5 July 2022.
- ^ Patrizio, Andy. "What is reinforcement learning from human feedback (RLHF)?". TechTarget. Retrieved 28 January 2024.
- ^ Schrauwen, Benjamin, David Verstraeten, and Jan Van Campenhout. "An overview of reservoir computing: theory, applications, and implementations." Proceedings of the European Symposium on Artificial Neural Networks ESANN 2007, pp. 471-482.
- ^ Mass, Wolfgang; Nachtschlaeger, T.; Markram, H. (2002). "Real-time computing without stable states: A new framework for neural computation based on perturbations". Neural Computation. 14 (11): 2531–2560. doi:10.1162/089976602760407955. PMID 12433288. S2CID 1045112.
- ^ Jaeger, Herbert, "The echo state approach to analyzing and training recurrent neural networks." Technical Report 154 (2001), German National Research Center for Information Technology.
- ^ Jaeger, Herbert (2007). "Echo state network". Scholarpedia. 2 (9): 2330. Bibcode:2007SchpJ...2.2330J. doi:10.4249/scholarpedia.2330.
- ^ "XML and Semantic Web W3C Standards Timeline" (PDF). 4 February 2012. Archived from the original (PDF) on 6 July 2022. Retrieved 5 July 2022.
- ^ See, for example, Boolos and Jeffrey, 1974, chapter 11.
- ^ Sowa, John F. (1987). "Semantic Networks". In Shapiro, Stuart C (ed.). Encyclopedia of Artificial Intelligence. Retrieved 29 April 2008.
- ^ O'Hearn, P. W.; Pym, D. J. (June 1999). "The Logic of Bunched Implications". Bulletin of Symbolic Logic. 5 (2): 215–244. CiteSeerX 10.1.1.27.4742. doi:10.2307/421090. JSTOR 421090. S2CID 2948552.
- ^ Abran et al. 2004, pp. 1–1
- ^ "Computing Degrees & Careers". ACM. 2007. Archived from the original on 17 June 2011. Retrieved 23 November 2010.
- ^ Laplante, Phillip (2007). What Every Engineer Should Know about Software Engineering. Boca Raton: CRC. ISBN 978-0-8493-7228-5. Retrieved 21 January 2011.
- ^ Rapoza, Jim (2 May 2006). "SPARQL Will Make the Web Shine". eWeek. Retrieved 17 January 2007.
- ^ Segaran, Toby; Evans, Colin; Taylor, Jamie (2009). Programming the Semantic Web. O'Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472. p. 84. ISBN 978-0-596-15381-6.
- ^ Maass, Wolfgang (1997). "Networks of spiking neurons: The third generation of neural network models". Neural Networks. 10 (9): 1659–1671. doi:10.1016/S0893-6080(97)00011-7. ISSN 0893-6080.
- ^ "What is stateless? - Definition from WhatIs.com". techtarget.com.
- ^ Lise Getoor and Ben Taskar: Introduction to statistical relational learning, MIT Press, 2007
- ^ Ryan A. Rossi, Luke K. McDowell, David W. Aha, and Jennifer Neville, "Transforming Graph Data for Statistical Relational Learning. Archived 6 January 2018 at the Wayback Machine" Journal of Artificial Intelligence Research (JAIR), Volume 45 (2012), pp. 363-441.
- ^ Spall, J. C. (2003). Introduction to Stochastic Search and Optimization. Wiley. ISBN 978-0-471-33052-3.
- ^ Language Understanding Using Two-Level Stochastic Models by F. Pla, et al, 2001, Springer Lecture Notes in Computer Science ISBN 978-3-540-42557-1
- ^ Stuart J. Russell, Peter Norvig (2010) Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall ISBN 9780136042594.
- ^ Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012) Foundations of Machine Learning, The MIT Press ISBN 9780262018258.
- ^ Cortes, Corinna; Vapnik, Vladimir N (1995). "Support vector networks". Machine Learning. 20 (3): 273–297. doi:10.1007/BF00994018.
- ^ Beni, G.; Wang, J. (1993). "Swarm Intelligence in Cellular Robotic Systems". Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30 (1989). pp. 703–712. doi:10.1007/978-3-642-58069-7_38. ISBN 978-3-642-63461-1.
- ^ Haugeland 1985, p. 255.
- ^ Poole, Mackworth & Goebel 1998, p. 1.
- ^ "Collection of sources defining "singularity"". singularitysymposium.com. Retrieved 17 April 2019.
- ^ Eden, Amnon H.; Moor, James H. (2012). Singularity hypotheses: A Scientific and Philosophical Assessment. Dordrecht: Springer. pp. 1–2. ISBN 9783642325601.
- ^ Cadwalladr, Carole (2014). "Are the robots about to rise? Google's new director of engineering thinks so..." The Guardian. Guardian News and Media Limited.
- ^ Sutton, Richard & Andrew Barto (1998). Reinforcement Learning. MIT Press. ISBN 978-0-585-02445-5. Archived from the original on 30 March 2017.
- ^ Pellionisz, A.; Llinás, R. (1980). "Tensorial Approach To The Geometry Of Brain Function: Cerebellar Coordination Via A Metric Tensor" (PDF). Neuroscience. 5 (7): 1125––1136. doi:10.1016/0306-4522(80)90191-8. PMID 6967569. S2CID 17303132.[dead link]
- ^ Pellionisz, A.; Llinás, R. (1985). "Tensor Network Theory Of The Metaorganization Of Functional Geometries In The Central Nervous System". Neuroscience. 16 (2): 245–273. doi:10.1016/0306-4522(85)90001-6. PMID 4080158. S2CID 10747593.
- ^ "TensorFlow: Open source machine learning" "It is machine learning software being used for various kinds of perceptual and language understanding tasks" — Jeffrey Dean, minute 0:47 / 2:17 from YouTube clip
- ^ Sipser, Michael (2013). Introduction to the Theory of Computation 3rd. Cengage Learning. ISBN 978-1-133-18779-0.
central areas of the theory of computation: automata, computability, and complexity. (Page 1)
- ^ Thompson, William R (1933). "On the likelihood that one unknown probability exceeds another in view of the evidence of two samples". Biometrika. 25 (3–4): 285–294. doi:10.1093/biomet/25.3-4.285.
- ^ Russo, Daniel J.; Van Roy, Benjamin; Kazerouni, Abbas; Osband, Ian; Wen, Zheng (2018). "A Tutorial on Thompson Sampling". Foundations and Trends in Machine Learning. 11 (1): 1–96. arXiv:1707.02038. doi:10.1561/2200000070. S2CID 3929917.
- ^ Dickson, Ben (2 May 2022). "Machine learning: What is the transformer architecture?". TechTarget. Retrieved 2 May 2022.
- ^ Mercer, Calvin. Religion and Transhumanism: The Unknown Future of Human Enhancement. Praeger.
- ^ Bostrom, Nick (2005). "A history of transhumanist thought" (PDF). Journal of Evolution and Technology. Retrieved 21 February 2006.
- ^ Minsky 1967:107 "In his 1936 paper, A. M. Turing defined the class of abstract machines that now bear his name. A Turing machine is a finite-state machine associated with a special kind of environment -- its tape -- in which it can store (and later recover) sequences of symbols," also Stone 1972:8 where the word "machine" is in quotation marks.
- ^ Stone 1972:8 states "This "machine" is an abstract mathematical model", also cf. Sipser 2006:137ff that describes the "Turing machine model". Rogers 1987 (1967):13 refers to "Turing's characterization", Boolos Burgess and Jeffrey 2002:25 refers to a "specific kind of idealized machine".
- ^ Sipser 2006:137 "A Turing machine can do everything that a real computer can do".
- ^ Turing originally suggested a teleprinter, one of the few text-only communication systems available in 1950. (Turing 1950, p. 433)
- ^ Pierce 2002, p. 1: "A type system is a tractable syntactic method for proving the absence of certain program behaviors by classifying phrases according to the kinds of values they compute."
- ^ Cardelli 2004, p. 1: "The fundamental purpose of a type system is to prevent the occurrence of execution errors during the running of a program."
- ^ Hinton, Jeffrey; Sejnowski, Terrence (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. ISBN 978-0262581684.
- ^ Colaner, Seth; Humrick, Matthew (3 January 2016). "A third type of processor for AR/VR: Movidius' Myriad 2 VPU". Tom's Hardware.
- ^ Banerje, Prasid (28 March 2016). "The rise of VPUs: Giving Eyes to Machines". Digit.in. Archived from the original on 11 December 2018. Retrieved 5 July 2022.
- ^ "DeepQA Project: FAQ". IBM. Archived from the original on 5 November 2015. Retrieved 11 February 2011.
- ^ Ferrucci, David; Levas, Anthony; Bagchi, Sugato; Gondek, David; Mueller, Erik T. (1 June 2013). "Watson: Beyond Jeopardy!". Artificial Intelligence. 199: 93–105. doi:10.1016/j.artint.2012.06.009.
- ^ Hale, Mike (8 February 2011). "Actors and Their Roles for $300, HAL? HAL!". The New York Times. Retrieved 11 February 2011.
- ^ "The DeepQA Project". IBM Research. Archived from the original on 21 January 2013. Retrieved 18 February 2011.
- ^ io9.com mentions narrow AI. Published 1 April 2013. Retrieved 16 February 2014: https://io9.com/how-much-longer-before-our-first-ai-catastrophe-464043243
- ^ AI researcher Ben Goertzel explains why he became interested in AGI instead of narrow AI. Published 18 Oct 2013. Retrieved 16 February 2014. https://intelligence.org/2013/10/18/ben-goertzel/
- ^ TechCrunch discusses AI App building regarding Narrow AI. Published 16 Oct 2015. Retrieved 17 Oct 2015. https://techcrunch.com/2015/10/15/machine-learning-its-the-hard-problems-that-are-valuable/
- ^ Jurafsky, Daniel; H. James, Martin (2000). Speech and language processing: an introduction to natural language processing, computational linguistics, and speech recognition. Upper Saddle River, N.J.: Prentice Hall. ISBN 978-0-13-095069-7.
- ^ "GitHub project webpage". GitHub. June 2022. Archived from the original on 1 April 2021. Retrieved 5 April 2016.
Works cited
- Abran, Alain; Moore, James W.; Bourque, Pierre; Dupuis, Robert; Tripp, Leonard L. (2004). Guide to the Software Engineering Body of Knowledge. IEEE. ISBN 978-0-7695-2330-9.
- Cardelli, Luca (2004). "Type systems" (PDF). In Allen B. Tucker (ed.). CRC Handbook of Computer Science and Engineering (2nd ed.). CRC Press. ISBN 978-1584883609.
- Haugeland, John (1985). Artificial Intelligence: The Very Idea. Cambridge, Mass.: MIT Press. ISBN 978-0-262-08153-5.
- Legg, Shane; Hutter, Marcus (15 June 2007). "A Collection of Definitions of Intelligence". arXiv:0706.3639 [cs.AI].
- Mitchell, Melanie (1996). An Introduction to Genetic Algorithms. Cambridge, MA: MIT Press. ISBN 9780585030944.
- Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. ISBN 978-1-55860-467-4. Archived from the original on 26 July 2020. Retrieved 18 November 2019.
- Pierce, Benjamin C. (2002). Types and Programming Languages. MIT Press. ISBN 978-0-262-16209-8.
- Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
- Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2
- Turing, Alan (October 1950). "Computing Machinery and Intelligence". Mind. 59 (236): 433–460. doi:10.1093/mind/LIX.236.433. ISSN 1460-2113. JSTOR 2251299. S2CID 14636783.
Notes
- ^ polynomial time refers to how quickly the number of operations needed by an algorithm, relative to the size of the problem, grows. It is therefore a measure of efficiency of an algorithm.