人間行動学：メタ学習ニューラルネットワークによる人間のような系統的汎化

人間が持つ言語や思考の能力は、系統的な構成性、すなわち既知の構成要素から新たな組み合わせを理解して生成する代数的能力からもたらされる。人工のニューラルネットワークにはこの能力が欠けているため、心のモデルとして用いることはできないとしたフォーダーとピリシンの主張はよく知られている。以来、ニューラルネットワークは大幅に発展したが、この系統性の課題は残されている。今回我々は、ニューラルネットワークは構成スキルを最適化すれば人間のような系統性を達成できるという証拠を示すことで、フォーダーとピリシンの課題に対処することに成功した。我々は、これを行うため、構成性のためのメタ学習（MLC：meta-learning for compositionality）法を導入して、構成タスクの動的な流れによる訓練を誘導した。そして、人間と機械を比較するために、指示学習パラダイムを用いて人間の行動実験を行った。異なる7つのモデルを検討した結果、完全に系統的だが厳格な確率論的記号モデルや、完全に柔軟だが非系統的なニューラルネットワークではなく、MLCのみが人間のような汎化に必要な系統性と柔軟性の両方を達成できることが分かった。MLCはまた、複数の系統的汎化（systematic generalization）のベンチマークにおいて、機械学習システムの構成スキルも向上させた。我々の結果は、標準的なニューラルネットワーク構造が、その構成スキルの最適化によって、直接対照比較で人間の系統的汎化をいかに模倣できるかを示している。

目次へ戻る