コンピューテーショナル・インテリジェンス・フォーラム2023
更新情報
- 2023年12月7日 オンライン参加方法を追記しました．
- 2023年12月6日 ページを開設しました．
主催：
計測自動制御学会 システム・情報部門
企画：
計測自動制御学会 システム・情報部門 コンピューテーショナル・インテリジェンス部会
計測自動制御学会 システム・情報部門
企画：
計測自動制御学会 システム・情報部門 コンピューテーショナル・インテリジェンス部会
コンピューテーショナル・インテリジェンス (CI) 部会では，CI分野の新しいテーマについて, その発展性や応用性を議論し，新しい解釈や知見を若手研究者に提起することを目的として，CIフォーラムを開催しております．本年のCIフォーラムでは，人の学習過程の数理モデルと動物の数理モデルに関して２件の招待講演を企画しております．CI分野の枠を超えた様々な方に参加頂きながら議論できればと存じますので，奮ってのご参加をお待ちしております．なお今回のCIフォーラムは，ハイブリッド形式での開催で，事前申込みを不要としております．
日時： 2022年12月8日（金） 15:00～17:05
会場：ハイブリッド形式
対面：愛知工業大学八草キャンパス (愛知県豊田市八草町八千草1247）1号館301
対面：愛知工業大学八草キャンパス (愛知県豊田市八草町八千草1247）1号館301
プログラム：
14:40-14:55 受付
14:55-15:00 開会挨拶
15:00-16:00 特別講演
講師：山田 健翔 先生（JAXA）
題目：運航訓練におけるパイロット成長過程のモデル化への取組み
16:00-17:00 特別講演
講師：David Vincze（中央大学）
題目：Etho-Robotics and Reinforcement Learning for behaviour models
17:00-17:05 閉会挨拶
14:40-14:55 受付
14:55-15:00 開会挨拶
15:00-16:00 特別講演
講師：山田 健翔 先生（JAXA）
題目：運航訓練におけるパイロット成長過程のモデル化への取組み
16:00-17:00 特別講演
講師：David Vincze（中央大学）
題目：Etho-Robotics and Reinforcement Learning for behaviour models
17:00-17:05 閉会挨拶
講演者：宇宙航空研究開発機構（JAXA） 山田 健翔 先生
講演題目: 運航訓練におけるパイロット成長過程のモデル化への取組み
講演者略歴: 2019年東京大学大学院工学系研究科航空宇宙工学専攻博士課程修了。宇宙航空研究開発機構（JAXA）にてエアラインにおけるパイロット訓練のデータ分析等に従事。
講演内容: 航空機の運航においてCompetency-Based Training (CBT)という訓練方式が国際的に主流となりつつあります．Competency（コンピテンシー）は、国際民間航空機関（ICAO）では"a dimension of human performance that is used to reliably predict successful performance on the job"と定義されています。個人のコンピテンシーにフォーカスすることで個々の特性に合わせた訓練設計が可能になる等のメリットがありますが、コンピテンシーの定量的な扱いに課題があります。本講演では、CBTにおいて出力される数値データから、個人の成長過程の確率的なモデル化に関する取組みを紹介いたします。
講演者：中央大学 David Vincze 先生
講演題目：Etho-Robotics and Reinforcement Learning for behaviour models
講演者略歴：David Vincze is currently a researcher (previously JSPS postdoctoral research fellow) in the Human-System Laboratory (Niitsuma Lab.) at the Department of Precision Mechanics at Chuo University, Tokyo, Japan, on leave from the Department of Information Sciences at the University of Miskolc, Hungary, where he is an associate professor. Graduated in information engineering from the University of Miskolc, and later earned his PhD in 2014 in Computer Science focusing on machine learning and human-robot interaction. His research in machine learning examines fuzzy rule-based learning systems and algorithms for knowledge extraction in a form, which could be directly interpreted by humans. His research in HRI includes designing ethologically-inspired behaviour models implemented as fuzzy control systems. Also he has been contributing to the open source community, by implementing new ideas for Linux and UNIX based systems in data centers.
講演内容：One of the challenges in social robotics is creating a robot to be accepted by humans as a long-term companion. To keep up the interest on a long-term basis, a possible solution could be the construction of behaviour models for social robots based on animal behaviour. Studying animal behaviour is the main goal of Ethology, therefore by using the results of Ethology, behaviour models for robotics can be constructed. The novel field of Etho-robotics aims to create behaviour models based on ethological studies. The dog-human attachment behaviour has been transformed into a computational model using a fuzzy automaton control system incorporating sparse fuzzy rule-bases. Connecting this behaviour model to a real environment, where humans can interact with a physical robot is underway.
Various significant advances have been presented in the past decades in the field of "AI". However, nowadays more and more researchers and users have concerns about the transparency of these AI solutions. The knowledge representation used by the mainstream methods are hardly explainable or interpretable. Fuzzy Rule Interpolation-based (FRI) Reinforcement Learning (RL) is a machine learning method, which uses sparse fuzzy rule-bases for knowledge representation. In contrast to classical knowledge representation forms in RL, using sparse fuzzy rule-bases allow human experts to easily "read out" the knowledge which operates a system, as fuzzy rules are inherently self-describing. Still, constructing such rule-bases, which are small enough to be understood is challenging…
Combining these two fields, Etho-Robotics and FRI-based RL can provide us with better behaviour models for social robots and better understanding of human-animal interactions.
Various significant advances have been presented in the past decades in the field of "AI". However, nowadays more and more researchers and users have concerns about the transparency of these AI solutions. The knowledge representation used by the mainstream methods are hardly explainable or interpretable. Fuzzy Rule Interpolation-based (FRI) Reinforcement Learning (RL) is a machine learning method, which uses sparse fuzzy rule-bases for knowledge representation. In contrast to classical knowledge representation forms in RL, using sparse fuzzy rule-bases allow human experts to easily "read out" the knowledge which operates a system, as fuzzy rules are inherently self-describing. Still, constructing such rule-bases, which are small enough to be understood is challenging…
Combining these two fields, Etho-Robotics and FRI-based RL can provide us with better behaviour models for social robots and better understanding of human-animal interactions.
参加費：無料
参加申込：不要