「ディープラーニング」の続き

　　今回は自動運転に欠かせない「ディープラーニング」の続きを書こうと思います。

　前回はニュートラネットの単純すぎる概略を書きました。実際は、誤情報と思しきデータが発生した場合、これ以外にも存在する別のパーセプトロンの判断を使って総合的に判断するようになっています。そこで、誤情報が多ければ、そこからくるデータの優先度は下がり、正確と思しきデータが送られてくる繋がりは優先的に高いポイントで判断するようになります。

　前回の例でいえば、「恒温動物かどうか」の判定を行うパーセプトロンがさらに上層に存在し、それもまたさらに上層から送られてくる情報を踏まえて判定を行っています。一つ一つのパーセプトロン同士がお互いの情報に優先度をつけているため、優先度設定が適切であれば、全体の情報も正確になります。

　今回は、今度はそのニューラルネットワークでどのようにしてディープラーニングを行っているのかについて説明したいと思いいます。

　ディープラーニングというのは、基本的には「物事を理解するための手法」に過ぎず、その際ニューラルネットワークが使われています。

　前回の哺乳類の判断では、「哺乳類の選定」と「卵を生むかどうか」の繋がりは非常に重要だったため、より重点的な太い繋がりを作りました。魚の判断では、「卵を生むかどうか」よりも、「足があるかどうか」の方が重要だと考えられます。なぜなら、卵を生まない動物は哺乳類ぐらいで、足がない動物の大半が海棲生物だからです。

　では、どうやって繋がりの太さや情報の重要性を決めるのでしょうか。それには2種類の方法が有り、「人が教える知識として学ぶ」か「経験則から徐々に学ぶ」かのどちらかになります。

　人が教える場合は「教師あり学習」と呼ばれ、正解と不正解をいちいち機械に教えます。人が「哺乳類は卵を生まない、恒温動物だ」と教え、さらに「クジラのような海棲哺乳類もいる」とわざわざ教えるのです。こうすれば、機械は哺乳類→恒温動物、哺乳類→非卵生生物、と関連付けて機械は情報を整理することが出来ます。

　一方、「経験則から学ぶ」場合、これは「教師なし学習」と呼ばれ、正解か不正解かは教えません。クジラやイルカのようなややイレギュラーな海棲哺乳類の存在は、「教師あり」の場合には人が教えましたが、「教師なし」の場合には「恒温・肺呼吸・胎生・足なし」の動物がイルカやクジラしかおらず、魚類とも全く違うことに機械が気付いて初めて理解します。

　「教師なし学習」の場合、色々な生物を見ていく内に、今まで魚だと思っていたイルカがエラ呼吸をしていないことに気づき、卵を生まずに胎児をそのまま生み出す事に気づきます。そして、哺乳類以外の動物の殆どが「卵生」であることに気付くので、「卵生ではなく胎生である」というのが哺乳類の判断において重要であると考えるようになります。

　その結果、イルカやクジラは哺乳類と言える存在であり、単に陸で足を使って生活するかヒレを使って海で生活するかの違いしか無いのだと機械自身が理解することになります。

　今回もディプラーニングまで書けませんでしたので、この続きは次回に。