連想記憶モデルによる知識表現

概要

論文の詳細を見る
記号的な手法で知識処理をシーケンシャルに行う場合、大規模知識ベースから必要な情報を取り出すにはパターン照合及び集合演算に多大なコストを要する。これに対し、多くの並列分散処理モデルではこの二つの処理を効率的に行うことが可能である。既に提案されている知識表現の並列分散処理モデルに、FahlmanのNETLとHintonのモデルが挙げられる。しかしながら、Fahlmanのモデルでは、属性継承機能をマーカーの伝播により実現しているため、何らかの制約条件を加えない限り属性継承の例外を扱うことができない。一方、Hintonのモデルでは、属性継承機能を、上位概念が下位概念に包含されるように符号化することによって実現している。そのため、属性継承に例外がある場合、その例外と例外でないものの間に干渉が起こり、処理時間が長くなり、処理精度が落ちてしまう。従って、大規模知識ベースの場合、その干渉がひどくなることが予測され、正しい処理ができなくなる恐れがあると思われる。そこで、新しいアプローチとして、連想記憶モデルの枠組みによる知識表現モデルを提案する。本報告では、モデルがどのように連想記憶モデルを用いて構成され、どのように例外を許す属性継承性を利用することによって、記憶している属性継承階層から属性の想起及び概念の同定を効率的に行うかについて述べる.
一般社団法人情報処理学会の論文
1993-09-27

連想記憶モデルによる知識表現

スポンサーリンク

概要

著者

関連論文

スポンサーリンク