活性化拡散モデルを⽤いた知識選択型転移強化学習における知識ネットワーク及び活性化係数設計⼿法の開発

カテゴリ：部門大会

論文No：MC3-2

グループ名：【C】2025年電気学会電子・情報・システム部門大会

発行日：2025/8/20

タイトル(英語)：Development of Knowledge Network and Activation Coefficient Design Method for Knowledge-Selective Transfer Reinforcement Learning Using Spreading Activation Model

著者名：竹下 敏成（東京電機大学）,池田 悟（東京電機大学）,池 勇勳（北陸先端科学技術⼤学院⼤学）,藤井 浩光（千葉⼯業⼤学）,河野 仁（東京電機大学）

著者名(英語)： Toshinari Takeshita (Tokyo Denki University),Satoru Ikeda (Tokyo Denki University),Yonghoon Ji (Japan Advanced Institute of Science and Technology),Hiromitsu Fujii (Chiba Institute of Technology),Hitoshi Kono (Tokyo Denki University)

キーワード：機械学習,転移学習,知識選択,最適輸送,Machine learning,Transfer reinforcement learning,Knowledge selection,Optimal Transport

要約(日本語)：近年，機械学習により自律的に環境を認識・判断して行動するロボットが実現され，災害対応や家庭内清掃，物流支援など幅広い分野で活用が進んでいる．中でも河野らが開発した，活性化拡散モデルを用いた知識選択型転移強化学習(SAP-net)は人間の脳内で行われる概念の想起過程を示す活性化拡散モデルを基にした学習手法であり，学習環境に対して高い適応能力を有する．SAP-netを用いた既存研究では，モデルの構築に最適輸送コスト(OT)を用いる手法が提案されているが，その理論的な解析およびモデル評価は十分に行われていない．本研究ではOTに基づくSAP-netの設計理論を解析し，シミュレーションによりモデルの評価を行う．また，SAP-netの学習パラメータである活性化係数の調整手法を新たに提案し，既存手法との比較実験を通じてその有効性を検証する．

本誌掲載ページ：1136-1142p

原稿種別：日本語

PDFファイルサイズ：1,155Kバイト