著者

江原 遥 亀田 尭宙

出版者

人工知能学会

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.25, no.4, pp.601-606, 2010-07-01

参考文献数

8

著者

森尾 博昭 Hiroaki Morio

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.24, no.4, pp.535-543, 2009-07-01

著者

辰巳 格 Itaru F. Tatsumi

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.21, no.4, pp.A1, 490-498, 2006-07-01

著者

三宅 陽一郎 Youichiro Miyake

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.23, no.1, pp.44-51, 2008-01-01

著者

白水 始 Hajime Shirouzu

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.27, no.4, pp.347-358, 2012-07-01

著者

瀬名 秀明 石黒 浩 中島 秀之 松原 仁 Hideaki Sena Hiroshi Ishiguro Hideyuki Nakashima Hitoshi Matsubara

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.26, no.1, pp.55-62, 2011-01-01

著者

生天目 章 Akira Namatame

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.23, no.5, pp.638-644, 2008-09-01

著者

久保田 孝 Takashi Kubota

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.26, no.2, pp.156-163, 2011-03-01

著者

坂上 勝彦 速水 悟 Katsuhiko Sakaue Satoru Hayamizu

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.17, no.2, pp.130-137, 2002-03-01

著者

高村 大也 Hiroya Takamura

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.26, no.1, 2011-01-01

著者

匹田 志朗 阿部 茂 Shiro Hikita Shigeru Abe

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.17, no.1, pp.57-62, 2002-01-01

著者

中小路 久美代 山本 恭裕 Kumiyo Nakakoji Yasuhiro Yamamoto

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.19, no.2, pp.235-246, 2004-03-01

著者

坂本 比呂志 有村 博紀 Hiroshi Sakamoto Hiroki Arimura

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.16, no.2, pp.233-238, 2001-03-01

著者

平嶋 宗 Tsukasa Hirashima

出版者

人工知能学会

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.21, no.1, pp.58-64, 2006-01-01

参考文献数

41

被引用文献数

8

著者

岩沼 宏治 鍋島 英知 Koji Iwanuma Hidetomo Nabeshima

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.25, no.1, pp.86-95, 2010-01-01

著者

上田 俊夫 和泉 憲明 森田 幸伯 橋田 浩一 Toshio Ueda Noriaki Izumi Yukihiro Morita Koiti Hasida

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.19, no.3, pp.325-333, 2004-05-01

著者

フロインド ヨアブ シャピリ ロバート 安倍 直樹 Yoav Freund Robert Schapire Naoki Abe

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.14, no.5, pp.771-780, 1999-09-01

---

以下のような状況を考えよう. ある競馬ファンが, なるべく多くの配当を得ようと, 各馬の過去の成績やオッズ等の情報に基づいて勝ち馬を予測するプログラムを作ろうとした. このようなプログラムを作るために, 彼はまず熟練ギャンブラー(以下, エキスパート)にどのような戦略を用いているのかを説明してくれるように頼むことにした. ところが, 彼は競馬は勘であって, 説明できるような戦略などないと言う. しかし, 具体的にいくつかのレース情報のリストを与えられると, このエキスパートは「最近の勝率の最も高い馬に賭けろ」とか「オッズの最も高い馬に賭けろ」などの経験則を問題なく見つけることができたという. 確かにこのような経験則はおおざっぱであまり高い精度のルールとは言えないが, ただランダムに賭けているよりは少しはましな予測ができると思われる. また, エキスパートの意見をいくつもの異なるレース情報リストについて聞くことにより, 競馬ファンは数多くの経験則を習得できる. さて, こうして得られた経験則を上手に利用するには, 競馬ファンは以下の二つの問題を解決しなくてはならない. 一つめは, エキスパートに提示すべきレース情報リストの集合をどのように定めるかという問題であり, 二つめは獲得された数多くの経験則をどのようにまとめて一つの精度の高いルールを得るかという問題である. 「ブースティング」とは, このような設定の下, 数多くの精度の低いルールを組み合わせて非常に精度の高い予測ルールを得るための, 汎用的かつ理論的な性能保証のある方式である. この解説文では, ブースティングに関する最近の研究成果の中から, 特にこれまで多くの理論的な検証と実験的実証がなされてきた AdaBoost というアルゴリズムを取り上げる. まず3章で AdaBoost アルゴリズムを紹介し, 4~7章でブースティングの理論的な基盤について説明する. ここでは, 特にブースティングがなぜ「過学習」を避けられるかについても議論する. そして, 8章ではブースティングを用いた実験と応用について述べる.

著者

瀬田 和久 池田 満 角所 収 溝口 理一郎 Kazuhisa Seta Mitsuru Ikeda Osamu Kakusho Riichiro Mizoguchi

出版者

人工知能学会

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.13, no.4, pp.597-608, 1998-07-01

参考文献数

26

被引用文献数

19

---

Recently much attention has been paid to the notion of "ontology" in the expectation that it can serve as the new, strong foundation of knowledge engineering. In the conventional approach to theory of knowledge, to give the operational semantics of knowledge representation has been regarded as of major importance and the analysis of contents of knowledge has been considered to be subordinate to it. To solidify the foundation of knowledge engineering, however, the many researchers, espcially in the field of knowledge sharing and reuse, has strongly felt necessity of the change of such a way of thinking. The key to the problem is to understand the essential interaction between "form" and "contents" on equal importance. This implies that deep understanding of "content" will give us new insight into design of knowledge representation. The notion of "ontology" can be key to this issue. We have investigated the property of problem solving knowledge and tried to design its ontology, that is, task ontology. The main purpose of this paper is to discuss the basic issues concerning the task ontology. It provides three major advantages as follows. (A) It provides human-friendly primitives in terms of which users can easily describe their own problem solving process. (B) The systems with task ontology can simulate the problem solving process at an abstract level in terms of conceptual level primitives. (C) It provides ontology author with an environment for building task ontology so that he/she can build a consistent and useful ontology.

著者

横山 大作 Daisaku Yokoyama

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.26, no.6, pp.648-654, 2011-11-01

著者

岩山 真 徳永 健伸 田中 穂積 Makoto Iwayama Takenobu Tokunaga Hozumi Tanaka

雑誌

人工知能学会誌 = Journal of Japanese Society for Artificial Intelligence (ISSN:09128085)

巻号頁・発行日

vol.6, no.5, pp.674-681, 1991-09-01

---

This paper presents a computational model for understanding metaphors using the measure of salience. Understanding metaphors is a property transfer process from a source concept to a target concept. There are two questions arise in the transfer process. One is which properties are more likely transferred from the source concept to the target concept, and other is the representation of highlighting the transferred properties. We use the measure of salience to answer these questions. The measure of salience represents how typical or prominent a property is. In understanding metaphors, typical properties are easy to transferred from a source concept to a target concept, so the measure of salience can measure the transferability of properties. And, the transferred properties become typical properties in the target concept, so highlighting the properties can be represented by increasing the measure of salience. For now, many researches have used the measure of salience in the process of understanding metaphors^^<(l)-(4)>, but they have not described precisely how the measure of salience is calculated. This paper presents the method of calculating the measure of salience based on the information theory. We use the redundancy of a property and the distribution of the redundancy among similar conceps. We think this method meet well with the human's intuition.