エントロピーに基づく不平衡光化学センサー検出とウェーブレット回帰を用いた地上歩行のためのモーション アーチファクト補正

fNIRS Motion Artifact Correction for Overground Walking using Entropy Based Unbalanced Optode Decision and Wavelet Regression Neural Network
Gihyoun Lee, Sang Hyeon Jin, Seung Hyun Lee, Berdakh Abibullaev, and Jinung An IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems, vol.13, pp.186- 193, 2017

“機能的な近赤外分光法(fNIRS)を用いて, 無傷の頭蓋骨を通した近赤外光の吸収を測定することにより, 脳の活性化を調べることができる. fNIRS は, 機能的磁気共鳴イメージング(fMRI)血液酸素レベル依存性(BOLD)
シグナルと同様のヘモグロビンシグナルを測定することができる. fMRI イメージングの標準的方法である一般線
形モデル(GLM)は, fNIRS イメージング解析に適用されている. しかしながら, 被験者が動くと, fNIRS 信号は
測定中にアーチファクトを含む可能性がある. これらのアーチファクトはモーションアーチファクトと呼ばれます.
しかしながら, GLM は, モーションアーチファクトのために減退の欠点を有する. 近年, ウェーブレット及び血行
力学的応答関数に基づくアルゴリズムは, fNIRS 信号に対する運動アーチファクト補正の一般的なトレンド除去方
法である. しかし, これらの方法は, 地上を歩くタスクのような過酷な環境では性能を示すことができない. 本論文
では, エントロピーに基づく不平衡光化学センサー検出規則とウェーブレット回帰に基づく伝搬ニューラルネット
ワークを用いた新しい運動アーチファクト補正方法を提案する. 実験を通して, 提案された方法の性能は, 従来のト
レンド除去アルゴリズムと比較して, グラフィック結果, 脳活性地図, および客観的性能指標を用いて証明された.”

NERO ビデオゲームにおけるリアルタイム Neuroevolution

Real-Time Neuroevolution in the NERO Video Game
IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION,vol.9,no.6,2005
20161015_ttamaki.pdf

近年のビデオゲームではキャラクターの動作はスクリプト化されている.つまり,何度プレイヤーがある弱点を 見つけても,その弱点が修復されることはない.しかし,ゲームのキャラクターがプレイヤーとの相互作用を通 じて学習することができれば,ゲームをプレイする際の面白さが保たれたまま,キャラクターの動作を向上させ ることが可能である.本稿では,普通にゲームをする時と同じように,リアルタイムで複雑な人工ニューラルネッ トワークを進化させるための rtNEAT を紹介する.rtNEAT 法によって,エージェントはゲーム中に変化や改善 を行うことができる.実際に rtNEAT は一連のカスタマイズされた練習問題を通じて,プレイヤーがエージェン トのチームを育成するというビデオゲームの全く新しいジャンルを作ることができる.このコンセプトを実証す るために NERO ゲームを rtNEAT に基づいて構築した.NERO では,プレイヤーは他のプレイヤーと戦闘する ためにバーチャルのロボットチームを育成する.本稿では機械学習の新しいアプリケーションからの結果を説明 し,rtNEAT によって NERO のようなビデオゲームで,エージェントがリアルタイムに進化し,適応できること を実証する.展望としては,rtNEAT は相互的で適応するゲームを通じた,教育・訓練アプリケーションになり 得るかもしれない.

neural network, neuro-evolution, neuroevolution of augmenting topologies (NEAT), neuroevolving robotic operatives (NERO)

格子状の長・短期記憶

GRID LONG SHORT-TERM MEMORY
20160201_ttamaki
本稿では,GridLSTMを紹介する.それは,ベクトル・系列もしくは画像のような高次元のデータに適応可能な格子状に配置された多次元のLSTMセルのネットワークである.このネットワークはデータの時空間の次元にそってセルが接続しているだけでなく,ネットワーク層の間にもセルが接続されているという点で既存のDeepLSTMとは異なる.深い層の計算と系列の計算を行うために,ネットワークはLSTMを用いた統一的な手法を提供する.私たちはそのモデルに15桁の整数の加算や時系列の記憶のようなアルゴリズムタスクを与えた.それはLSTMが主に性能が優れているとされるタスクである.それから,私たちは2つの実験結果を出した.私たちは2次元GridLSTMがWikipediaの文字予測のベンチマークにおいて,1文字あたり1.47ビットで符号化可能であることを発見した.これはニューラルネットワークを用いた手法の中で最も良い結果である.さらに,新しい翻訳モデルであるReencoderを定義するために,私たちはGridLSTMを使用した.そして中国語から英語への翻訳タスクにおいて,フレーズベースの参照モデルよりも性能が優れていることを示した.

Long Short-Term Memory, Recurrent Neural Network, Neural Network

長・短期記憶

Long Short-Term Memory

Neural Computation, Volume 9, Issue 8, pages 1735-1780, May 2014

20150902khanawa

リカレント誤差逆伝播法により延長した時間間隔で情報を格納するために学習する方法は,誤差が減衰するため非常に長い時間かかります.私たちは長・短期記憶と呼ばれる簡単で効率的な勾配ベースの方法を用いることによってHochreiter’s(1991)の解析のレビューの問題に対処します.勾配の切り捨てを行わないLSTMは特別なユニット内で一定の誤差の回転木馬のようなものを通じて一定の誤差の流れを制御することで1000ステップの遅延の時間差を埋める学習をすることができます.乗法ゲートユニットは,一定の誤差フローへのアクセスを開閉することを学びます.LSTMは,空間と時間にローカルです.時間ステップと重みあたりの計算量はO1で表します.人工データを用いた私たちの実験では,ローカル,分散,実数値,及びノイズの多いパターン表現を伴います.リアルタイムリカレント学習,時間を伴う誤差逆伝播法,リカレントカスケード相関,エルマンネット,及びチャンキングニューラルシークエンスと比較して,LSTMは,より多くの実験に成功し,はるかに高速に学習します.また,LSTMは以前のリカレントネットワークのアルゴリズムによって解決されていなかった人工的な長い時間の遅れの複雑な問題を解決します.