正しく表示されない場合はブラウザでご覧ください。
Nature Machine Intelligence
Nature Machine Intelligence cover
購読
Table of Contents: 2019年1月号

カバーストーリー「人との協働に向かうロボット」

ロボットが複雑なタスクを行えるようになってきた今、次のステップは、人間との間で有用で安全な相互作用を行えるようになることだ。ロボットが人間と効果的に協働し、支援を行うためには、人間の行動や意図を理解できなければならない。今号Nature Machine Intelligenceでは、人間とロボットが適応的な相互作用を行うためのゲーム理論的アプローチについて論じるArticleや、ロボット工学とAI研究のいくつかのトレンドが融合して協働的ロボットに関する新たな解釈が生じつつある現状について考察するCommentを特集する。

See Li et al., News & Views by Drnach & Ting and Comment by Goldberg

Image: Robert Adrian Hillman/Alamy Stock Vector (hands); GoMixer/Alamy Stock Vector (machine). Cover Design: Karen Moore.


Nature Japanとつながろう: Twitter Facebook Facebook  
今月号の目次
Editorial | 7 January 2019
機械を越えて
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0014-z
Comment | 7 January 2019
ロボットと人間の協働的知能への回帰
Ken Goldberg
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0008-x
ロボット工学の中でも発展目覚ましい人共存ロボティクス、人-ロボット相互作用、ディープラーニング、クラウドロボティクスの4分野が、安全かつ建設的に人間と協働するロボットという新たなトレンドを加速させている状況についてKen Goldbergが考察する。
Comment | 7 January 2019
AIをめぐる短期的懸念と長期的懸念の間に橋を架ける
Stephen Cave & Seán S. ÓhÉigeartaigh
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0003-2
Books & Arts | 7 January 2019
AIの山に登る
James V. Stone
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0012-1
Terry Sejnowski著『ディープラーニング革命』 AIの山に登る: ディープラーニングの最近のブレイクスルーに至る長く曲がりくねった道
News & Views | 7 January 2019
人間に手を貸せるロボット
Luke Drnach & Lena H. Ting
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0013-0
News & Views | 7 January 2019
AIハードウェアにおけるアナログメモリの役割
Geoffrey W. Burr
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0007-y
Perspective | 7 January 2019
身体化人工知能の材料から機械までの進化
David Howard, Agoston E. Eiben, Danielle Frances Kennedy, Jean-Baptiste Mouret, Philip Valencia et al.
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0009-9
計算材料技術、付加製造法と除去製造法、進化計算法の進歩に基づくロボット工学の新しいビジョンから、特定の業務や環境条件に特化したさまざまな専門的なロボットの設計法が見えてくる。
Perspective | 7 January 2019
医療分野の意思決定への機械による支援には不確かさの定量化が必要
Edmon Begoli, Tanmoy Bhattacharya & Dimitri Kusnezov
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0004-1
ディープラーニングの応用の中でも特に有望で重要なのは、おそらく医学研究と医療分野の意思決定の支援である。今こそディープラーニング過程に内在する不確かさを系統的に定量化する手法を開発する時期であり、これによりAIに基づくアプローチの実用可能性への信頼度を高めることができる。
Review Article | 7 January 2019
ニューロ進化によりニューラルネットワークをデザインする
Kenneth O. Stanley, Jeff Clune, Joel Lehman & Risto Miikkulainen
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0006-z
広く用いられている誤差逆伝搬法というトレーニング法などにより、ディープニューラルネットワークは、ある種の機械学習タスクについては大成功をおさめるようになってきている。ニューラルネットワークを最適化するもう1つの方法は進化アルゴリズムを用いることである。進化アルゴリズムは、計算力の向上に支えられて、新しいタイプの能力や学習様式を提供している。
Article | 7 January 2019
人-ロボット間の多用途の物理的相互作用における微分ゲーム理論
Y. Li, G. Carboni, F. Gonzalez, D. Campolo & E. Burdet
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0010-3
ロボットは人間の行動を推定して適応する必要があり、人間の動きが時間とともに変化する場合には特にその必要が大きくなる。今回、適応型ゲーム理論コントローラーが、リーチング課題における人間の行動へのロボットの適応を助けることが示された。
Article | 7 January 2019
学習可能性も決定不可能になりうる
Shai Ben-David, Pavel Hrubeš, Shay Moran, Amir Shpilka & Amir Yehudayoff
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0002-3
ゲーデルの有名な不完全性定理によれば、すべての数学的な問いが解けるわけではない。機械学習についても同様に決定不可能な場合があることが、学習可能性を証明することも反証することもできない問題例によって示された。
Article | 7 January 2019
メモリスタクロスバーアレイにおける長短期記憶ネットワーク
Can Li, Zhongrui Wang, Mingyi Rao, Daniel Belkin, Wenhao Song et al.
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0001-4
ディープニューラルネットワークはデータ集約型アプリケーションで広く用いられるようになってきたが、電力を大量に消費する。ディープラーニングのタスクには、データの処理と計算を同じユニットで行うメモリスタアレイのような新しいタイプのコンピューターチップが必要である。よく使われているLong short-term memory(LSTM、長短期記憶)というディープラーニングモデルは、時系列データ分析を扱うことができるが、これをメモリスタクロスバーアレイに実装することで、エネルギー効率が良く資源消費量の少ないディープラーニングプラットフォームが期待できる。
Article | 7 January 2019
アルゴリズム生成モデルによる原因解析
Hector Zenil, Narsis A. Kiani, Allan A. Zea & Jesper Tegnér
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0005-0
ほとんどの機械学習アプローチは、根本となる原因機構ではなく統計的な特性をデータから抽出している。これとは異なるアプローチでは、計算可能性とアルゴリズム情報理論の枠組みのもと、生成モデルを用いてデータから再帰的パターンを抽出する一般的な方法で情報を解析している。
Challenge Accepted | 7 January 2019
データチャレンジへの参加から得たもの
Yuanfang Guan
Nature Machine Intelligence 1, doi:10.1038/s42256-018-0011-2

機械学習のリモデリング:科学者のように考えるAI

現代の機械学習は、科学者の手に負えない大量のデータの分類に大いに役立っている。 しかし、科学的プロセスにとって欠かすことのできない推理や推論を必要とするような作業には、 あまり役に立っていない。今、ある科学者グループが、まったく新しいタイプの機械学習によって この問題を解決しようと取り組んでいる。新しいアプローチの目的は、相互作用してデータを 生成する基本的なアルゴリズムモデルを見出し、科学者による因果関係のダイナミクスの解明を 補助することにある。このアプローチは、細胞生物学や遺伝学など幅広い分野の研究者を補助し、 典型的な機械学習が想定していないタイプの疑問に答えられる可能性がある。

日本語のサイトへ   投稿案内
サイトライセンス購読推薦   個人購読申込 (11,583円/年)
お客様のアカウント変更・削除/メールマガジン配信停止に関して
お客様ご自身でお手続きくださいますようお願いいたします。
・ご登録された個人情報及びメールマガジン配信サービスの変更
・全てのメールマガジンの配信停止
・ご登録解約 (解約手続き後、ご登録情報が削除されます。)
https://www.natureasia.com/secure/ja-jp/profile

その他ウェブサイトに関するご不明な点はヘルプページをご覧ください。
http://mse.force.com/natureasia/?na=T&l=ja

メールマガジンについてのご意見・ご感想
Eメール送信の際は、お受け取りのメールマガジン名をご記入ください。
http://mse.force.com/natureasia/?cu=1&fs=ContactUs&l=ja&q=temp_contact_us_param&na=T

* 送信元アドレスは配信専用のため返信はできません。あらかじめご了承ください。

ネイチャー・リサーチは、Nature、Nature 関連誌の出版に加えて、オープン・リサーチ、研究者や研究機関を対象としたトレーニング、カスタム出版、広告などの各種サービスを提供しています。

©ネイチャー・ジャパン株式会社
日本語翻訳文の著作権は、ネイチャー・ジャパン株式会社に帰属します。
Nature Research