帰属計算（Attributional calculus）は、リシャール・S・ミハルスキ（Ryszard S. Michalski）によって定義された論理および表現システムである。これは、述語論理、命題論理、および多値論理の要素を組み合わせたものである。このシステムは、自然帰納（natural induction）のための形式言語を提供する。自然帰納とは、人間が読解可能な形式で結果が得られる帰納的学習プロセスである。
帰属計算は、2004年の報告書「ATTRIBUTIONAL CALCULUS: A Logic and Representation Language for Natural Induction」で紹介された。この報告書は、バージニア州フェアファックスにあるジョージメイソン大学の機械学習・推論研究所（Machine Learning and Inference Laboratory）から発行された。この研究は、初期の帰納的学習フレームワークの限界、特に人間が解釈しにくい形式主義への依存に対処することを目的としていた。
基本原則
帰属計算は、属性ベースの表現を導入することで古典論理を拡張する。述語と変数を使用する標準的な述語論理とは異なり、このシステムは帰属（attributions）を通じて知識を表現する。帰属とは、エンティティに特性や値を割り当てる文である。各帰属は、オブジェクトと値の間の関係として構造化され、多くの場合、関連する信頼度や確実性レベルを伴う。
この計算は、3つの論理の伝統を統合する。関係を表現するための述語論理、真理関数結合子のための命題論理、そして部分的な真理や不確実性を扱うための多値論理である。この組み合わせにより、部分的に真である可能性のある微妙な文を表現できる。これは、二値論理システムにはない特徴である。
重要な特徴は、注釈付き帰属（annotated attributions）の使用である。ここでは、各主張に重みや修飾子が付随する場合がある。これらの注釈により、信念の度合い、確率、またはファジィメンバーシップ値を表現できるため、データがノイズを含むか不完全なMachine learningの文脈に適したシステムとなる。
自然帰納
帰属計算の主な動機は、自然帰納をサポートすることであった。自然帰納とは、具体的な例から一般的な規則を学習するプロセスである。ミハルスキは、帰納中に生成される仮説が人間の自然言語文に似た形式で表現できるように言語を設計し、解釈可能性を向上させた。
自然帰納では、学習アルゴリズムが正例と負例のセットを受け取り、帰属規則（attributional rules）を生成する。これらの規則は通常、「帰属AとBが成り立つならば、帰属Cが成り立つ」という形式であり、各帰属はオブジェクトの属性への値の割り当てである。人間が読解可能な出力は、複雑な一階述語論理の式を生成する初期の記号的学習方法とは異なる。
この可読性への強調は、当時のArtificial intelligenceにおける透明性を重視する広範な傾向と一致していた。このフレームワークは、形式論理に基づくAIと、ドメイン専門家が学習された知識をレビューおよび検証する必要がある実用的なアプリケーションとの間のギャップを埋めることを意図していた。
他の形式主義との関係
帰属計算は、オブジェクトとその特性を中心に知識を整理する記述論理やフレームベースの知識表現システムと類似点を共有する。しかし、多値真理の明示的な扱いと、演繹ではなく帰納に焦点を当てる点で異なる。
伝統的な命題論理と比較すると、帰属計算は変数と関係構造を許可し、表現力を高める。完全な述語論理と比較すると、量化に制限を課し、効率的な規則学習をサポートするより構造化された構文を使用する。多値コンポーネントは充足の度合いを許可し、矛盾したまたは不完全なトレーニングデータを扱うのに役立つ。
このシステムは、初期のファジィ論理の研究にも関連するが、連続的なメンバーシップ関数に依存するのではなく、記号的な方向性を維持する。これらの要素の統合は当時斬新であり、論理規則と確率的推論を組み合わせた機械学習における後のハイブリッドアプローチを先取りしていた。
応用と遺産
帰属計算に関するミハルスキの研究は、ジョージメイソン大学の機械学習・推論研究所での広範な研究プログラムの一部であった。この研究所は、帰属規則学習の実用的な実装として機能したAQアルゴリズムファミリーを含む、帰納的学習の基礎的な方法に貢献した。
帰属計算は、他の知識表現フレームワークほど広く採用されることはなかったが、そのアイデアは後の解釈可能な機械学習の研究に影響を与えた。人間が読解可能な仮説への強調は、Deep learningおよびLarge language modelの出力をより説明可能にする現代の取り組みを先取りしている。注釈付き帰属の概念は、論理規則と確率を組み合わせた確率的論理プログラミングシステムも予見していた。
現代のMachine learningの実践では、帰属計算の直接的な使用は限られているが、その概念的な貢献は関連性を保っている。これは、帰納的論理プログラミングや知識発見に関する学術文献で引用されている。このフレームワークは、主にAIの歴史と学習への記号的アプローチに興味を持つ研究者によって研究されている。
関連項目
- 知識表現
- 帰納的論理プログラミング
- 説明可能な人工知能
参考文献
Michalski, R.S., "ATTRIBUTIONAL CALCULUS: A Logic and Representation Language for Natural Induction," Reports of the Machine Learning and Inference Laboratory, MLI 04–2, George Mason University, Fairfax, VA, April, 2004.