ISS における RWC 研究

--ニューロISS研究室と新機能 ISS 研究室の紹介--

シンガポール大学システム・サイエンス研究所 (ISS) は、海外組合員として、もっとも早い時期にRWCプログラムに参画した研究機関のひとつです。ここでは、現在 ISS にある２つの研究室、ニューロISS研究室と新機能 ISS 研究室の紹介を致します。

I. ニューロISS研究室

ニューロISS研究室は、「ニューラル・ロジック・ネットワークと呼ばれる、ニューラル・ネットワークの新しいモデル」というテーマのもとに研究を行っています。研究チームを率いているのは Prof. Hoon-Heng Tehで、他に、Dr. Ho-chung Lui、Dr. Liya Ding、Dr. Ahhwee Tan、Mr. Joohwee Lim、Mr. Loonin Teow、Prof. Peizhuang Wang、Mr. Fon-lin Laiが、このチームのメンバーです。

ニューラル・ロジック・ネットワーク (NLN) モデルのアイデアは、ニューラル・ネットワークとファジィ論理の融合として新しいモデルを確立しようとする一つの試みです。現在のニューラル・ネットワーク・モデルには論理的推論機能が欠けており、ファジィ論理推論の学習の必要性がこの試みの動機になっています。

NLNの研究は、次の3つのサブ・プロジェクトで行われています。

1. 手書き文字認識の理論的展開および応用。
2. ニューロ Prolog。拡張された論理に基づいて推論を行い、NLN で表現された知識を使って問題を解決する柔らかな知識ベース推論システムを開発する。
3. ニューラル・ロジック・エキスパート・システム。ニューラル・ネットワークと記号AIパラダイムの相補的な力を統合するエキスパート・システムを開発する。このシステムは、実世界の意思決定に、ルールベースの知識と経験ベースの知識の両方を利用できる。

我々の研究チームは、初期段階から得られた研究成果を総合して、情報統合を目指した階層型対話式推論 (HIROI = Hierarchical Interactive fOr Information-integration) のアプローチを開発しました。

HIROI は、データからの知識の学習や構築を可能にし、情報統合と推論に統一された階層を使用しています。また、文書イメージ理解にこのアプローチを使うアプリケーションのプロトタイプを開発しました。

同じアプローチを、人間 -->マシンの入力情報は完全ではないが（曖昧さと誤りは、マン・マシン・インタフェースや人間の間違いが原因で起きることがある）、よりよい理解を得るための助けになる知識ソースが存在する、さまざまなアプリケーションにも応用することができます。

ニューロ ISS 研究室では、以下に関して研究を継続していく予定です。

1. 柔らかな論理を使い、真の応用に向けたさまざまな推論戦略の研究
2. マルチモーダル、マルチソース知識に基づく学習と構築
3. さまざまなレベルの統合に向けた各種モデルの研究 (マルチソース、マルチエキスパート用)
4. 知識統合の表現形式に関する研究 (マルチモーダル用)

II. 新機能 ISS 研究室

新機能 ISS 研究室の研究テーマは、「マルチメディア情報の柔軟な蓄積と検索」です。研究は Dr. Jian Kang Wu が率いる研究チームのメンバーは、Dr. A. Desai Narasimhalu、Dr. Mohan S. Kankanhalli、Dr. Limsoon Wong、Mr. Chian Prong Lam、Dr. Li Yang、Dr. G. Phanendra Babu、Mr. Sheng Bin Cui です。

マルチメディア研究の重要性は、世界的に広く認識されてきましたた。我々は先駆者的研究グループの一つとして、分散型環境におけるマルチメディア情報の内容に基づく蓄積と検索の理論の探索と実現方法に力を入れています。

特に、以下の研究項目について、ブレークスルーと進展が見られます。

統合マルチメディア・システムにおいて、評価は重大な問題になってきています。評価は、マルチメディア・データベース・システムの評価、テスト、ベンチマークのメカニズムを提供しています。従来のデータベース・ベンチマークは、応答時間をテストするのみでした。情報検索 (テキスト検索) の分野では、想起と精度によって検索結果の関連性を評価することでベンチマークが行われてきました。マルチメディア情報に関する限り、内容に基づく検索の評価は行われていません。我々は、評価過程の定義とアルゴリズムのみならず枠組を提案することによって、内容に基づく統合マルチメディア・システムの評価を最初に試みました。マルチメディア情報検索システムをテストする測度として、損失関数が定義されています。この測度は、定量的かつ高精度であり、想起と精度という概念を網羅しています。

我々は、測度に損失関数を使用して、マルチモーダル特徴の測度に関する類似性関数用の学習アルゴリズムを提案しました。この学習アルゴリズムにより、システムが拡張可能になり、システムを各種応用に合わせて柔軟に構成できます。我々の探求の結果として、我々は日常生活の現象である想起という問題にさらに一歩踏み込むことができます。想起による認識は、パターン認識の従来のテーマである分類による認識とは異なります。そこでの問題は、パターンを多数の非結合クラスに分割できる決定境界の発見として構造化されます。 ？？？

想起による認識は、別の視点から認識問題を扱い、問題を解決するキーとして判別関数よりもむしろ類似性関数を使用します。人間は、記憶の中から類似イメージを想起することにより人を認識するのです。我々は、この考え方に従って、たとえ人の顔に大きな変化があったり数年会っていなかったとしても、同じ人の顔のイメージを正しく認識してきました。データは非常に大雑把で、米国のNISTから得たものです。??

内容に基づく検索の1つのタイプとして、我々は空間照会言語に大きな進展を見ました。情報ハイウェーの急速な発展に伴い、ますます多くの応用問題が空間データ解析なくしては解決されなくなってきています。空間照会言語は、空間情報システムの中核を占め、この開発のためには、多大な努力がなされてきました。すぐれた空間照会言語は、関係代数に支えられています。有用な空間照会言語を開発するには、その基礎として空間代数を開発する必要があります。二重データ構造に関する我々のこれまでの研究に基づいて、我々は空間代数及び空間照会言語の最初のバージョンを提案し、開発しました。空間照会言語は、「値段がおよそxxで、他のショッピング・センターから離れている土地を見つけよ」というような既存のシステムでは解決できないとされた照会を処理できます。また、高レベルの意思決定支援システム向けの基本機能を提供することも可能です。

実世界の問題は複雑です。その解決には、複雑で分散された多数のデータ・ソースが関係することがあります。多数の分散複合データベースの照会に関する我々のこれまでの研究に基づいて、我々はこの手法の拡張と新しい応用について研究してきました。この研究の結果、我々は大領域ネットワークのさまざまなデータベースに簡単にアクセスでき、データを検索して統合し、ユーザーに提示したり、別の解析モジュールに与えたりすることができるようになりました。この過程全体として、ユーザーはあたかも1つのデータベースにアクセスしているかのように感じます。このシステムは、解決できないとされていたいくつかの問題を解決しました。