JPWO2020174311A5 - - Google Patents

Claims (21)

1. センサ入力信号からのコグニティブ・クエリに応答するための方法であって、前記方法が、
   複数の隠れニューロン層および出力ニューラル層を含む人工ニューラル・ネットワークの入力層にセンサ入力信号を供給することと、
   前記複数の隠れニューロン層の各々からの隠れ層出力信号および前記出力ニューラル層からの出力信号を決定することと、
   前記出力ニューラル層の前記出力信号および前記隠れニューロン層の前記隠れ層出力信号を１つのマッピング関数の入力データとして使用してマッピング関数のセットを適用することによって擬似ランダム・ビット・シーケンスのセットを生成することと、
   前記擬似ランダム・ビット・シーケンスのセットを使用してハイパー・ベクトルを決定することと、
   前記ハイパー・ベクトルを連想メモリに格納することであり、異なるハイパー・ベクトルの間の距離が決定可能である、前記格納することと
   を含む、方法。
2. 前記センサ入力信号からそれぞれ得られる前記コグニティブ・クエリと候補応答とを導出するために、前記連想メモリに格納された異なるハイパー・ベクトルを組み合わせること
   をさらに含む、請求項１に記載の方法。
3. 前記コグニティブ・クエリを表す前記ハイパー・ベクトルと、前記候補応答を表す前記ハイパー・ベクトルとの間の距離を測定すること
   をさらに含む、請求項２に記載の方法。
4. 前記コグニティブ・クエリを表す前記ハイパー・ベクトルから最小距離を有する前記候補応答に関連する前記ハイパー・ベクトルを選択すること
   をさらに含む、請求項３に記載の方法。
5. 人工ニューラル・ネットワークの入力層にセンサ入力データを前記供給することが、
   複数の人工ニューラル・ネットワークの入力層に前記センサ入力データを供給すること
   をさらに含む、
   請求項２に記載の方法。
6. 前記ニューラル・ネットワークの訓練の終了時に前記連想メモリに格納されるべきロール・ベクトルとして複数のランダム・ハイパー・ベクトルを生成すること
   をさらに含む、請求項１から請求項５のいずれか一項に記載の方法。
7. 新しいセンサ入力データのセットごとに、前記複数のニューラル・ネットワークの出力データに基づいてフィラー・ベクトルとして複数の擬似ランダム・ハイパー・ベクトルを連続的に生成することであり、前記擬似ランダム・ハイパー・ベクトルが前記連想メモリに格納される、前記生成すること
   をさらに含む、請求項５に記載の方法。
8. 前記組み合わせることが、
   異なるハイパー・ベクトルを、ベクトル要素ごとのバイナリＸＯＲ演算によってバインドすること
   を含む、請求項２に記載の方法。
9. 前記組み合わせることが、
   異なるハイパー・ベクトルを、ベクトル要素ごとのバイナリ平均によってバンドルすること
   を含む、請求項２に記載の方法。
10. 前記ニューラル・ネットワークへの前記センサ入力信号の入力ベクトルの２つのセット間で決定された確率的勾配降下値が、事前定義された閾値より下回ったままである場合、前記ロール・ベクトルが、前記人工ニューラル・ネットワークの訓練の前記終了時に、前記連想メモリに格納される、請求項６に記載の方法。
11. センサ入力信号からのコグニティブ・クエリに応答するための機械学習システムであって、前記機械学習システムが、
    複数の隠れニューロン層および出力ニューラル層を含む人工ニューラル・ネットワークの入力層にセンサ入力信号を供給するように構成されたセンサと、
    前記複数の隠れニューロン層の各々からの隠れ層出力信号および前記出力ニューラル層からの出力信号を決定するように構成された第１の決定ユニットと、
    前記出力ニューラル層の前記出力信号および前記隠れニューロン層の前記隠れ層出力信号を１つのマッピング関数の入力データとして使用してマッピング関数のセットを適用することによって擬似ランダム・ビット・シーケンスのセットを生成するように構成された発生器ユニットと、
    前記擬似ランダム・ビット・シーケンスのセットを使用してハイパー・ベクトルを決定するように構成された第２の決定ユニットと、
    前記ハイパー・ベクトルを連想メモリに格納するように構成されたストレージ・モジュールであり、異なるハイパー・ベクトルの間の距離が決定可能である、前記ストレージ・モジュールと
    を含む、機械学習システム。
12. 前記センサ入力信号からそれぞれ得られる前記コグニティブ・クエリと候補応答とを導出するために、前記連想メモリに格納された異なるハイパー・ベクトルを組み合わせるように構成された組合せユニット
    をさらに含む、請求項１１に記載の機械学習システム。
13. 前記コグニティブ・クエリを表す前記ハイパー・ベクトルと、前記候補応答を表す前記ハイパー・ベクトルとの間の距離を測定するように構成された距離測定ユニット
    をさらに含む、請求項１１に記載の機械学習システム。
14. 前記コグニティブ・クエリを表す前記ハイパー・ベクトルから最小距離を有する前記候補応答に関連する前記ハイパー・ベクトルを選択するように構成された選択モジュール
    をさらに含む、請求項１３に記載の機械学習システム。
15. 人工ニューラル・ネットワークの入力層にセンサ入力データを供給するための前記センサが、
    複数の人工ニューラル・ネットワークの入力層に前記センサ入力データを供給する
    ようにさらに構成される、請求項１２に記載の機械学習システム。
16. 前記ニューラル・ネットワークの訓練の終了時に前記連想メモリに格納されるべきロール・ベクトルとして複数のランダム・ハイパー・ベクトルを生成するように構成されたロール・ベクトル発生ユニット
    をさらに含む、請求項１１から請求項１５のいずれか一項に記載の機械学習システム。
17. 新しいセンサ入力データのセットごとに、前記複数のニューラル・ネットワークの出力データに基づいてフィラー・ベクトルとして複数の擬似ランダム・ハイパー・ベクトルを連続的に生成するように構成されたフィラー・ベクトル発生ユニットであり、前記擬似ランダム・ハイパー・ベクトルが前記連想メモリに格納される、前記フィラー・ベクトル発生ユニット
    をさらに含む、請求項１５に記載の機械学習システム。
18. 前記組合せユニットが、異なるハイパー・ベクトルを、ベクトル要素ごとのバイナリＸＯＲ演算によってバインドするようにさらに構成される、請求項１２に記載の機械学習システム。
19. 前記組合せユニットが、異なるハイパー・ベクトルを、ベクトル要素ごとのバイナリ平均によってバンドルするようにさらに構成される、請求項１２に記載の機械学習システム。
20. 前記ニューラル・ネットワークへの前記センサ入力信号の入力ベクトルの２つのセット間で決定された確率的勾配降下値が、事前定義された閾値より下回ったままである場合、前記ロール・ベクトルが、前記人工ニューラル・ネットワークの訓練の前記終了時に、前記連想メモリに格納される、
    請求項１６に記載の機械学習システム。
21. 少なくとも１つのプロセッサに、請求項１から請求項１０のいずれか一項に記載の方法を実行させる、コンピュータ・プログラム。