パンデモニウム建築

パンデモニウム アーキテクチャは、視覚画像が脳でどのように処理されるかを説明する認知科学の理論です。人工知能とパターン認識に応用されています。この理論は、人工知能の先駆者であるオリバー セルフリッジによって1959 年に開発されました。この理論では、物体認識のプロセスが、階層的な検出と関連付けのシステム内での信号の交換として説明されており、セルフリッジはそのシステムの要素を比喩的に「悪魔」と呼んでいます。このモデルは現在、認知科学における視覚認識の基礎として認識されています。

パンデモニウム アーキテクチャは、テンプレート マッチング理論が画像の恒常性現象を生物学的に妥当な形で説明できないことへの対応として生まれました^。現代の研究者は^、この^{アーキテクチャの優雅さと独創性を称賛しています。}パターン認識の画像恒常性現象に対処するために、複数の独立したシステム (例:特徴検出器) を並行して動作させるというアイデアは強力でありながらシンプルです。パンデモニウム アーキテクチャの基本的なアイデアは、パターンは「全体」よりも先にその部分が最初に認識されるというものです。^[1]

パンデモニウムアーキテクチャは、パターン認識における最初の計算モデルの1つでした。完璧ではありませんでしたが、パンデモニウムアーキテクチャは現代のコネクショニスト、人工知能、単語認識モデルの開発に影響を与えました。^[2]

知覚に関する研究のほとんどは視覚系に焦点を当てており、物体をどのように見て理解するかというメカニズムを調査しています。視覚系の重要な機能はパターンを認識する能力ですが、これがどのように達成されるかというメカニズムは不明です。^[3]

パターンを認識する仕組みを説明しようとした最も初期の理論は、テンプレート マッチング モデルです。このモデルによると、私たちはすべての外部刺激を内部の精神的表現と比較します。知覚された刺激と内部表現の間に「十分な」重なりがあれば、私たちはその刺激を「認識」します。一部の機械はテンプレート マッチング モデルに従っていますが (たとえば、署名と口座番号を検証する銀行の機械)、この理論はイメージの恒常性という現象を説明する上で重大な欠陥があります。つまり、刺激の提示形式の変化に関係なく、私たちは刺激を簡単に認識できます (たとえば、Tと T はどちらも T という文字として簡単に認識されます)。すべてのパターンのすべてのバリエーションについて、私たちがテンプレートを格納している可能性はほとんどありません。^[4]

テンプレート マッチング モデルに対する生物学的妥当性に関する批判の結果、特徴検出モデルが台頭し始めました。特徴検出モデルでは、まず画像は基本的な個々の要素で認識され、その後、全体として認識されます。たとえば、文字 A が提示されると、最初に短い水平線と 2 本の斜めの長い対角線が見えます。次に、特徴を組み合わせて A の認識を完成させます。それぞれの固有のパターンは、異なる特徴の組み合わせで構成されているため、同じ特徴で形成されたパターンは同じ認識を生成します。つまり、文字 A をどのように回転させても、文字 A として認識されます。この種のアーキテクチャでは、基本的な特徴レベルで「一致」するだけで済み、そのレベルは限定的で有限であるため、生物学的に妥当であると想定されるため、画像の恒常性現象を説明するのは簡単です。最もよく知られている特徴検出モデルは、パンデモニウム アーキテクチャと呼ばれています。^[4]

パンデモニウムアーキテクチャは、もともと1950年代後半にオリバー・セルフリッジによって開発されました。このアーキテクチャは、視覚刺激を処理するために独立して動作するさまざまな「悪魔」のグループで構成されています。各悪魔のグループは認識の特定の段階に割り当てられ、各グループ内で悪魔は並行して動作します。元のアーキテクチャには、4つの主要な悪魔のグループがあります。^[3]

神経科学の研究によって、特殊な処理を実行するための特定のニューロンが存在するという特徴の悪魔の概念が裏付けられています。ヒューベルとヴィーゼルは、猫の脳には特定の長さと線の方向に反応する特定の細胞があることを発見しました。同様の発見は、カエル、タコ、その他さまざまな動物でも発見されました。タコは線の垂直性にのみ敏感であることがわかりましたが、カエルはより広い範囲の感度を示しました。これらの動物実験は、特徴検出器が非常に原始的な発達であることを示しています。つまり、それは人間の高度な認知発達から生じたものではありません。当然のことながら、人間の脳にもこれらの基本的な特徴検出器があるという証拠もあります。^{[5] [6] [7]}

さらに、このアーキテクチャは、バックプロパゲーションスタイルのニューラルネットワークと同様に学習することができます。認知デーモンと特徴デーモンの間の重みは、正しいパターンと認知デーモンからの活性化の差に比例して調整できます。前の例を続けると、文字 R を初めて学習したとき、曲線、長い直線、短い角度の付いた線で構成されていることがわかっています。したがって、これらの特徴を認識すると、R を認識します。ただし、文字 P は非常によく似た特徴で構成されているため、学習の初期段階では、このアーキテクチャが R を P と誤って識別する可能性があります。しかし、R の特徴が R として識別されることを確認するための継続的な露出を通じて、R の特徴の P に対する重みが調整され、P の応答が抑制されます (たとえば、短い角度の付いた線が検出されたときに P の応答を抑制するように学習します)。原理的には、パンデモニウムアーキテクチャはあらゆるパターンを認識できます。^[8]

前述のように、このアーキテクチャは重複する特徴の量に基づいてエラー予測を行います。たとえば、R の最も可能性の高いエラーは P であるはずです。したがって、このアーキテクチャが人間のパターン認識システムを表すことを示すには、これらの予測をテストする必要があります。研究者は、さまざまな文字が識別しにくい状況で提示されるシナリオを構築し、エラーの種類を観察しました。これを使用して、各文字のすべてのエラーが記録される混同マトリックスを生成しました。一般に、これらの実験の結果は、パンデモニウムアーキテクチャのエラー予測と一致しました。また、これらの実験の結果として、一部の研究者は、ローマ字のすべての基本機能をリストすることを試みたモデルを提案しました。^{[9] [10] [11] [12]}

パンデモニウムアーキテクチャに対する主な批判は、それが完全にボトムアップの処理を採用しているという点である。認識は、標的刺激の物理的特性によって完全に左右される。つまり、文脈効果（例：パレイドリア）などのトップダウン処理効果を説明できない。文脈効果では、文脈上の手がかりが処理を促進する（例：単語優位効果：単語の一部である文字は、単独で処理するよりも識別しやすい）可能性がある。しかし、これはアーキテクチャ全体に対する致命的な批判ではない。なぜなら、これらの文脈効果を説明するために、認知悪魔と一緒に機能する一連の文脈悪魔を追加するのは比較的簡単だからである。^[13]

パンデモニウム アーキテクチャは、画像の恒常性現象を説明できるという事実に基づいて構築されていますが、一部の研究者はそうではないと主張し、パンデモニウム アーキテクチャはテンプレート マッチング モデルと同じ欠陥を共有する可能性があると指摘しました。たとえば、文字 H は 2 本の長い垂直線と 1 本の短い水平線で構成されていますが、H をいずれかの方向に 90 度回転させると、2 本の長い水平線と 1 本の短い垂直線で構成されます。回転した H を H として認識するには、回転した H の認知デーモンが必要になります。したがって、正確な認識を生成するために多数の認知デーモンを必要とするシステムになる可能性があります。これは、テンプレート マッチング モデルに対する同じ生物学的妥当性批判につながります。ただし、パンデモニウム アーキテクチャは、入ってくる感覚情報からどのような特徴がどのように抽出されるかを指定せず、パターン認識の可能な段階の概要を示すだけなので、この批判の妥当性を判断するのはかなり困難です。しかし、もちろんそれは独自の疑問を提起し、特定のパラメータを含まないモデルを批判することはほぼ不可能です。また、どのような特徴がどのように抽出されるかを定義しなければ、理論はかなり不完全であるように思われ、これは複雑なパターン（犬の体重や特徴の抽出など）では特に問題になります。^{[3] [14]}

パンデモニウム アーキテクチャを裏付ける証拠は、その方法論が非常に限定的であると指摘する研究者もいます。このアーキテクチャを裏付ける研究の大半は、小さな有限集合 (ローマ字の文字など) から選択された単純な図式的描画を認識する能力に言及しています。複雑な 3 次元パターンの認識プロセスは単純な図式とは大きく異なる可能性があるため、こうしたタイプの実験から得られる証拠は、一般化されすぎて誤解を招く結論につながる可能性があります。さらに、混同行列の生成に使用された方法論を批判する人もいます。これは、知覚混同 (誤りと正解の間の重複した特徴によって引き起こされる識別エラー) と知覚後の推測 (見たものがわからないため、人がランダムに推測すること) を混同しているためです。ただし、同様の結果が他のパラダイム (go/no go や同じか違うかのタスクなど) でも再現されたときに、これらの批判はいくらか対処され、人間は基本的な特徴検出器を備えているという主張が裏付けられました。これらの新しいパラダイムは、反応時間を従属変数として頼りにしており、混同行列に固有の空セルの問題も回避しました（データに空セルがあると、統計分析の実施と解釈が困難になります）。^[7]

さらに、パンデモニウム・アーキテクチャのような特徴蓄積理論は、パターン認識の処理段階をほぼ逆順にしていると指摘する研究者もいる。この批判は主にグローバルからローカルへの理論の支持者によって行われ、彼らは、知覚は全体のぼやけた見方から始まり、時間の経過とともに洗練されていくと主張し、証拠を示し、認識の初期段階では特徴抽出が行われないことを示唆した。^[15]しかし、悪魔がグローバルパターンを認識し、他の悪魔がグローバルパターン内のローカルパターンを認識するのを妨げるものは何もない。

パンデモニウム アーキテクチャは、手で送られたモールス信号の翻訳や手書きの文字の識別など、いくつかの現実世界の問題を解決するために適用されてきました。パンデモニウム ベースのモデルの全体的な精度は、システムの学習期間が短かった場合でも印象的です。たとえば、Doyle は 30 を超える複雑な特徴アナライザーを備えたパンデモニウム ベースのシステムを構築しました。次に、数百の文字をシステムに学習させました。このフェーズでは、システムは入力された文字を分析し、独自の出力 (システムが文字を識別するもの) を生成しました。システムからの出力は正しい識別と比較され、エラー信号がシステムに返され、それに応じて特徴アナライザー間の重みが調整されます。テスト フェーズでは、未知の文字 (学習フェーズで提示されたものとは異なるスタイルとサイズの文字) が提示されましたが、システムは 90% 近くの精度を達成できました。単語を認識する能力が非常に優れているため、人間がどのように単語を読み認識するかに関する現代の理論はすべてこの階層構造に従っています。単語認識は文字の特徴抽出から始まり、次に文字検出器^[16] （例：SOLAR、^[17] SERIOL、^[18] IA、^[19] DRC ^[20]）が起動します。

ジョン・ジャクソンは、元のパンデモニウムのアーキテクチャに基づいて、その理論を拡張し、知覚を超えた現象を説明しました。ジャクソンは、「意識」を説明するためにアリーナのアナロジーを提示しました。彼のアリーナは、スタンド、競技場、サブアリーナで構成されていました。アリーナには多数の悪魔が住んでいました。競技場に指定された悪魔は、人間の意識のアクティブな要素を表すアクティブな悪魔でした。スタンドの悪魔は、何かが彼らを興奮させるまで競技場にいる人々を監視することになっています。各悪魔はそれぞれ異なるものに興奮します。悪魔が興奮すればするほど、彼らは叫びます。悪魔の叫びが設定されたしきい値を超えると、競技場の他の悪魔に加わってその機能を実行し、それが他の悪魔を興奮させる可能性があり、このサイクルが続きます。アナロジーのサブアリーナは、システムの学習およびフィードバックメカニズムとして機能します。ここでの学習システムは、他のニューラルスタイルのネットワークと同様で、悪魔間の接続強度を変更します。言い換えれば、悪魔がお互いの叫びにどのように反応するかということです。人間の情報処理に対するこのマルチエージェントアプローチは、多くの現代の人工知能システムの前提となりました。^{[21] [22]}

パンデモニウム アーキテクチャは、テンプレート マッチング理論に対する大きな批判に対処するために生まれたものですが、実際にはこの 2 つはある意味でかなり似ています。つまり、アイテムの特定の特徴セットを何らかの精神的表現と照合するプロセスがあります。この 2 つの重要な違いは、テンプレート マッチング理論では画像が内部表現と直接比較されるのに対し、パンデモニウム アーキテクチャでは、画像が最初に拡散され、特徴レベルで処理されることです。これにより、パンデモニウム アーキテクチャは、刺激のサイズ、スタイル、その他の変形が変わっても、無制限のパターン メモリを前提とせずに刺激を認識できるため、非常に強力になりました。また、オブジェクトが 3 次元で表示され、他のオブジェクトによって隠されていることが多い (たとえば、本の半分が紙で覆われていても、比較的簡単に本として認識できる) 現実的な視覚入力に直面した場合、テンプレート マッチング理論が適切に機能する可能性は低いです。それでも、一部の研究者は、この 2 つの理論を比較する実験を行っています。当然のことながら、結果はパンデモニウムアーキテクチャのような階層的な機能構築モデルを支持することが多かった。^{[23] [24] [25]}

ヘブビアンモデルは、多くの点でパンデモニウムアーキテクチャのような特徴指向理論に似ています。ヘブビアンモデルの最初のレベルの処理はセルアセンブリと呼ばれ、特徴デーモンと非常によく似た機能を持っています。しかし、セルアセンブリは線、角度、輪郭しか抽出できないため、特徴デーモンよりも制限があります。セルアセンブリはフェーズシーケンスを形成するために結合されますが、これは認知デーモンの機能と非常によく似ています。ある意味では、ヘブビアンモデルはテンプレート理論と特徴マッチング理論のクロスオーバーであると考えられています。ヘブビアンモデルから抽出された特徴は基本的なテンプレートと見なすことができるからです。^[8]

• 競争的な学習
• アンサンブル学習
• 自己組織化マップ
• コネクショニズム
• 機能統合理論
• 適応システム
• 黒板システム