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
|
|