Rondelion

シェーバーのバッテリーがへたってきたので、電気屋さんに行ってみるも同型機はなく、回転刃式で充電１時間という仕様を探したのですが見当たりません。検索してみると、今まで使っていたES611は結構名機で、かつ匹敵する後継機がないらしいです。 価格.com のクチコミ↓を読むと電池交換ができるらしいので http://bbs.kakaku.com/bbs/21703010087/SortID=16029898/ http://bbs.kakaku.com/bbs/21703010087/SortID=6839791/ やってみました。 はじめに間違えて「タブ（端子）」なしの電池を買ってしまい、回路のハンダ付けを試みましたが、力を加えるとはずれてしまうので、あきらめてタブ付きの電池を再度アマゾンで取り寄せました。 巨大な箱に電池２個...アメリカ人の辞書に「もったいない」はないですね。 作業対象は２機あり、最初の試行ではへたった電池のはずしかたがわからず、無理やりタブを引きちぎってしまいましたが、２機目では単にタブをシェーバー側の端子に固定しているハンダを溶かすことで力を加えずに電池をはずすことができました。 古い方（絶縁紙が劣化している）はタブをむしりとってしまいました。 新しい電池はタブをハンダ付けするだけで装着でき、２機とも復活させることができました。

うちの母親は、何年か前に腰痛治療ということで、近所の内科医が（別のお医者さんの言によれば「勇猛果敢にも」）神経ブロックを施術した後、副作用なのか下半身の感覚が麻痺し、うまく歩けなくなってしまいました。米国とかなら訴訟になるかもしれませんが、いずれにせよもとに戻す方法がなさそうです。 神経ブロックを計画されている方はご用心ください...

脳科学におけるバインディング問題とは、例えば視覚において複数の認識対象をどうやって同時に認識できるかといった問題である。一つの認識対象だけなら特徴抽出によって認識できることが想像できるが、例えば「 目の前に赤い円と青い正方形が呈示されたときに, それが青い円と赤い正方形ではなくどうして赤い円と青い正方形であると正しく知覚できるのか 」 （ 電子通信学会「知識の森」S3群2編　感覚・知覚・認識の基礎７章 より） ということが問題になる。 この問題に対する一つの回答案（仮説）は次のようなものになる。 脳は、 一つの認識対象の認識結果と別の対象の認識結果の関係を記憶し、複数の対象の表象を連想によってたどっていくことにより統合する。つまり、脳は同時に複数の対象を表象するのではなく、逐次的に表象するということになる。 イメージの場合、対象間の関係は方向と大まかな（角）距離で表すことができる。こうした相対的な関係の全体により複数対象のイメージを構築するのであれば、個体の向きや目の動き（サッカード）に影響されない表象を作ることができる。（方向の認知は視覚だけでなく（触覚を含む）体性感覚、平衡感覚（三半規管）、眼球運動の実行とフィードバックの感覚に関係する。）この仮説では、イメージ（空間）の統合は、個々の対象の認識を順繰りに（順不同で）たどっていくこと（ができること）に他ならない。 もちろん仮説は検証を待たなければならない。脳の話ということであれば（たぶん「 where 経路 」に関係があるが）生理学的な裏付けが必要になる。あるいはこれが脳の話ではなく神経回路モデルの人工知能応用の話なのであれば、仕組みの細部を詰め、うまく動作することを実証しなければならない。

神経回路モデルによる 構文解析を考えてみる。ここでは、 単語（音素列の分節）およびそのカテゴリーである品詞の獲得の問題は考えず、また、単語と品詞の認識（形態素解析）は別途行われるものと する。 リカレントネットワーク などの時系列を扱える 神経回路モデルであれば、バイグラム（＝パターンの連接）を学習することができ、したがって単語のバイグラムを学習することができる。バイグラムもパターンだから、 神経回路モデルは バイグラムのバイグラムも学習することができる。バイグラムのバイグラムは不特定の高さの階層をなし、一種の 句構造 を表現できる。バイグラムには出現頻度が高いものや低いものがある。ひとまとまりの単語列（発話）が与えられた時、そうした頻度の異なるバイグラムを使った多数のバイグラム階層ができるが、最も尤もらしいバイグラム階層がその発話の構文（句構造）を与えていると考えることができる。この解析はチャートパージングに似ているようにみえるが、これでうまくいくかどうかは検証が必要である。（バイグラムベースで構文解析ができるかどうかを検証するためには、神経回路モデルをひっぱりだしてくる必要はなく、既存のチャートパージングアルゴリズムを適用してみればよい。）

Mac のフリーのお絵かき（ドロー系）ソフト DrawBerry のベジエ曲線の使い方のメモ ベジエ曲線の端点を置くとき、置きながらドラッグすると角度調整用の「つまみ」がつきますが、単にクリックして置くとつまみがつかず、後で角度調整できません。 ひょっとするとドロー系ソフトのUIとしては標準的なのかもしれませんが、慣れていないので最初あせりました;;

「言語を獲得するコンピュータ」（錦見美貴子著） 　共立出版　認知科学モノグラフ（日本認知学会・編）1998年 を読みました。 コンパクトながら研究としては労作です。 全体の流れとしては、言語獲得全般の概要を説明し、コンピュータの言語獲得の分類を行い、事例を紹介した上で、著者自身のモデルを紹介しています。 言語獲得のモデルの妥当性の基準としてはピンカーを引いています。 Pinker, 1979 Formal Models of Language Learning. Cognition , 1, 217-283 ・説明の範囲（Coverage） ・入力の妥当性（Input plausibility） ・挙動の再生（Empirical fidelity） (例：子どもと同じ間違いをおかす) ・時間的制限（Time limitation） ・言語非特異性（Non-specificity) ・認知的制約（Cognitive constraints) (子どもが持っていなさそうな能力は仮定しない) 言語獲得モデルとしては次のような分類があるとしています。 1) 概念対応付け（概念は与えられ、ことばとの対応付けをすればよい） 2) 概念生成モデル（概念を生成する必要がある） 3) 記述生成モデル（言語による概念生成への干渉を考慮） モデルの対象となる入力としては言語的なものと非言語的なものがあり、学習の対象としては、統語的なものと意味的なものがあるため、これらの組み合わせにでさらにモデルを分類し、事例を紹介しています。 著者自身のモデル Rhea については ・“言語＋非言語→統語＋意味” モデル ・記述生成モデル と要約しています。 その学習能力は、言語入力については構文解析と文法の獲得であり、非言語入力については言語入力の構造との対応付けをするとしています。 タスクとしては、与えられた非言語的入力に言語的なキャプションを付けることを行います。 Rhea では「意味」を環境情報から「注視点」（部分情報）を取り出す手続き（フィルタ）と定義しています。Rhea はことばとシーンを入力とし、学習アルゴリズムを適用してフィルタを生成するという学習を行うことになります。 統語面では、文脈自由形文法...

Voyez mon autre blog (en anglais).