▼ 行動的神経科学の世界ではROC (receiver operating characteristics, receiver operator characteristic(s)) というものががよく使われているのだけど、これがなんだか気持ち悪い。 というわけで個人的には使いたく無かったんだけど、論文査読のプロセスは意外と保守的なところがあるので、あまり一般化して無い物を代わりに持ち出すと論文が通らなくて困るし。で、少し考えてみた。
ROC valueとは二つの確率分布p(x), q(x)があった時にその分布型の違いの程度を定量化する物なのだけど、要するに
P(x) = ∫-∞x dx p(x)
Q(x) = ∫-∞x dx q(x)
として
ROC ≡ ∫01 dQ P(x(Q))
と定義される[1][2]。普通は図で示されるので式で書くと新鮮だけど。
さて、有限サンプル xi (i=1...N), x'j (j=1...N')の確率分布
p(x) = Σiδ(x-xi)
q(x) = Σjδ(x-x'j)
に対してはMann-Whitney統計量
U = Σj=1N Σi,xi< x'j 1
に対して
ROC = U/N N'
と一致する。（この一致は少し意外だった。）
Mann-Whitney検定が許される程度にはROCも許されると考えればいいのかも。つまりROCは検定とかと同じく、異なる分布が検出できない可能性はあるけど、同じ物を異なるとassertする心配はあまりない統計量の一つであるということか。
[1] こう書くと一見 p(x) と q(x) について非対称に見えるけど、dQ = (dQ/dx) dx = q(x) dxを使って ROC = ∫-∞∞ dx q(x) P(x)で、
∫-∞∞ dx q(x) P(x) + ∫-∞∞ dx Q(x) p(x) = [Q(x) P(x)]-∞∞ = 1
だから1/2を折り返し点にして p, q について対称である。
[2] 私としてはこの形がどうにも気持ち悪い。まず確率の２回積分なのが気持ち悪い。確率論関係のmeasureでそんなの見たことがない。例えば情報理論的に全く正当な KL-divergenceは
-∫-∞∞ dx q(x) log p(x)/q(x)
みたいに、一回積分だし。それに、KL-divergenceみたいなのであれば value=0 ←→ p(x)=q(x) なんだけど ROC ≠ 0 → p(x) ≠ q(x)で、つまり確率分布が異なっていても検出できなかったりする。（おそらくROC valueが上手く働くのは、確率分布の分散があまり違わなくて、一山であるときだけだろう。）
▼ 雨が降って日曜なので仕事に出る気にもなれず、２時間ほど暇が出来たので、はてなブックマークをだらだら見ていた。で、インターネットを見過ぎてしまう。インターネットを見過ぎるといつも不愉快になる。
読んだら不愉快になるに決まっていると知っているXXXとかOOOの話題は忙しい時はスルーしているんだけど、暇があると目をはなせなくなってしまうのだ。 そういうのを読んで酷く不愉快で絶望的な気分になってこれらから逃げられない人生が暗いもののような気分になってしまう。読んだらダメって分かっているのに。
それで何故これらの話題が不愉快なのかなどと考えてしまう。これらが時代の支配的な言説であるからだろうか。
「時代の支配的な言説」というのは、それに乗っかっていると事実の検証をされることなく通用してしまうような言説だ。こういう物に対して反逆できない自分は無力だとも思うし、でもそれは自分の保身的なズルさだとも思ったりもする。そういう自分に向き合うこともフラストレーションや絶望感の原因になる。
▼ 論文の無料公開は著者にとっても利益になる（５号館のつぶやき） (via その２ 学術論文を公開しよう)
ＰＮＡＳでは、基本的には購読者（あるいは購読機関サイト）しか全文を読むことはできないのですが、ところどころに青い色が付いているOPEN ACCESS ARTICLEというものがあります。これは著者が投稿する時に＄１０００払うことで、出版とともにオープンアクセスできるようになるというオプションを選んだ論文です。・・・
つまり、オープンアクセス論文は印刷後の最初の４−１０ヶ月で非オープンアクセス論文の2.1倍引用されるだけではなく、この雑誌は印刷後６ヶ月からはすべての論文がオープンアクセスになるにもかかわらず、１０−１６ヶ月後でも２．６倍も引用され続けるという結果です。
これは Citation Advantage of Open Access Articles (PLoS Biology) という論文についての紹介部分。
それにしても２倍の差は凄い。私もPNASに投稿する時があったらぜひopen accessにしようと思う。そして他の雑誌にも同様の制度が広がってほしいと思う。
▼ 寿命をすぎた研究分野がまだ莫大な予算と人員を取り続けているのを見るとちょっぴり悲しい気分になる。
▼ 薦める人は多いんだけどランダウ・リッフシッツってそんなに良くないと思うな。 あれは手際の見事さが目立つけど、答えを見つける時は別な経路で計算しているんじゃないかと思う。 本当に宇宙人的な思考をしているんじゃない限り。 そういう手の内を隠すやり方は教育としては良くないとおもう。
▼ この下のアイデアは完成度が低いけど、いちど外に出してみることにする。
もともとこのアイデアは前回のICAをunipolarなニューロンで実現する方法を考えるのが動機であったが、後で述べる理由から本当に正しいのか確信が持てない。 一方この話の、「ニューロンが伝達しなくてはならない信号」と「そのニューロンの学習に必要な信号」が異なるという時には一般的にガンマ振動のような物が無くてはならないという推測は、かなり一般的に言えるはずなので、ICAのコンテキストから切り離したいと思うのだが、それがいまいち上手に出来ない。（それをやろうとしたのが4月25日の日記だけど。）
これの問題点は現実には抑制性と興奮性細胞が一対一で組みを作っていないところである。[2]に書いた以外にも、単に抑制性細胞は（視覚野なら）視野上のある小さな角度の範囲に属する信号をただ足すという方法でも解決できる。 ただそのアイデアにも欠点があって、IV層の抑制性細胞がrecurrent入力をもつことと違反する。それにII, III層のニューロンにとって抑制性細胞からもICA結果を受け取れることは経済性の観点からは好ましいことである。
▼
学習アルゴリズムのunipolarニューロンによる実現
---ガンマ振動の起源についての一仮説---
さて、前回のような学習側によりICAができるのはいいのだが、さらに現実的にというとニューロンがunipolarであることを考慮に入れなくてはならない[1]。ある神経細胞は他の細胞に対して抑制か興奮かのどちらかの作用しか及ぼせないことを「unipolar性」と呼ぶ。だたしこの用語はここでのみの用語であり一般的では無い。また一つの軸索は一つの細胞から来る物だから一つの軸索は全ての終末の次にくる細胞に対して興奮か抑制かのどちらかの作用しかおよぼすことは出来ない。
ICAでは入力ベクトルxに対して
y = Vx
という線形変換を加える必要がある。しかし入力xのような視床や他の領野からやってくる長距離投射は、普通は興奮性である。つまり要素Vijは正にしかなれない。ICAに限らず線形変換をしたい時これは問題である。
V1j, V2j, ...はそれぞれ一つのニューロンを表している。（以後添字は下付きにしていないので注意の事。）yi に対してxが負のつまり抑制性の作用を果たすためには、それぞれの出力ニューロンに一つずつ[2]抑制性のニューロンを介添えに付けてやり、それが Vij < 0となる要素を受け持つようにすれば良い。
y = Σj max(0, Vij) xj - di
ここで抑制性細胞の方は
di = Σj max(0, -Vij) xj
という頻度で発火しなくてはならない。しかし学習側は
ΔVij/a = 1ij - φ(yi)×yj
で無くてはならない[3]。この学習側を実現するためには i 番目の抑制性ニューロンはyiを知っていなければならない。しかしこの抑制性ニューロンは di とxjと max(0,-Vij)しか知らない。
そのためにyiを知るための何らかの機構が必要である。一つの方法[4]は、これらの抑制性ニューロンがdiで発火する期間とyiで発火する期間の二種類を設ける方法である。
yiで発火する期間にはこれらの抑制性ニューロンは他の抑制性ニューロンから抑制を受ける。そのために発火数が落ちる。従ってこの二期の交代は振動として観測されるだろう。
上のアルゴリズムはそれぞれの刺激（サンプル）が現れる都度yiを計算しなくてはならないから、この二期の交代は外界から来る信号 x の変化よりも速くなくてはならない。また、興奮性細胞にとってはdiが必要なので、yiで発火している期間の信号は利用できない。つまりyiで発火する期間は感覚処理が出来ない。この二つの理由から二期の交代はきわめて速くなければまずい。
中枢の神経細胞で良く観測される振動は、θ(~ 5Hz)、α(< 20Hz)、β(20-30Hz)、γ(> 40 Hz)であるが、このうちθ、αは上記の目的には遅すぎるものと思われる。ここではγを有力な候補としてあげたい[5]。
註
[1] ここでは前回のICAにそって説明するが、このこと（高速の振動が現れること）はあるニューロンが「他のニューロンに伝えなくてはならない信号」とそのニューロン「自身の学習にとって必要な信号」が異なるような場合にはある程度一般的に言えることである。
[2] 実際にはIV層では興奮性細胞と抑制性細胞が一対一に組みを組んでいる様子はない。あとで述べるように抑制性細胞のグループは興奮性細胞に依存せずにICAが行えるので、抑制性細胞は自分達だけでICAを行い、興奮性細胞はその結果を利用していると考えればよいのかも知れない。
[3] この学習側はコメントで否定したものであって収束の悪いアルゴリズムだが、ここでは簡単の為にこれを使って説明する。
[4] ある目的を実現する方法が一つで無いのは機械ではよくある事である。脳も機械なのだから、その辺りの事情は人工の機械において同じ機能を実現する方式が幾つもあることと同じである。 じっさい、神経細胞が他に対して与える信号と、自分の学習に必要な信号が異なるという状況に対する他の解決法も脳のなかに見つけることができる。
たとえば、線条体では学習に必要な信号はドーパミンの拡散によって伝えられている。拡散でも良いのはニューロン一つ一つに特異的である必要がないからで、それはOK/NGのグローバルな情報で充分だという強化学習の特徴による物だろう。
また、小脳のプルキンエ細胞では学習に必要な信号は登上繊維によって学習に必要な信号が与えられているようである。普通の神経細胞ではカルシウムなどの樹状突起を逆行する細胞内信号により学習の信号が伝えられていると考えられているが、プルキンエ細胞ではこのような方法を取るのは、プルキンエ細胞が巨大で細胞内の化学的シグナルでは遅すぎるせいかも知れない。
これらと、本文で考えた機構に加えてもう一つ提案したいのは、細胞体や樹状突起の特別なセグメントに対しては活動電位が発生しなくて、代わりに化学シグナルが細胞体に拡散するという可能性である。これはかなりコストが小さい割にいろいろなことができると言う意味で理にかなった可能性であるが、これを示唆する証拠は今のところない。
[5] 抑制性細胞の動作には二つの期間が必要でありそれがガンマ振動であるという仮説と、上記の抑制性細胞だけで機能(ICA)を構成できるという二つの推論を組み合わせると、抑制性細胞だけのネットワークでフェーズの一致したガンマ振動を起こすようになっているという推測に導かれる。じっさいその通りの事実が知られている。 最初にそれを見つけたのは
Whittington MA, Traub RD, Jefferys JG. Synchronized oscillations in interneuron networks driven by metabotropic glutamate receptor activation. Nature. 1995 Feb 16;373(6515):612-5.
だと思うけど、Natureのサイトが読ませてくれないのでいまいち自信が持てないので次もあげときます。またこれら同じ著者の組み合わせで同様の論文が多数あります。
Gibson JR, Beierlein M, Connors BW. Two networks of electrically coupled inhibitory neurons in neocortex. Nature. 1999 Nov 4;402(6757):75-9.
この手の現象は海馬では少し早くから知られていたし、よりestablishしているみたい。なお海馬は新皮質のプロトタイプであるという説もある。
[番外] ここで述べた方法のネットワークでは、抑制性細胞だけでICAを構成することができる。本文で述べた通り興奮性細胞は抑制性細胞からの入力を必要とするが、抑制性細胞の方は興奮性細胞からの入力を必要としないからである。
このあたりの事情はNANDだけでデジタル回路を構成することはできるがANDだけでデジタル回路を構成することは出来ないことと似ている。進化的に古い起源をもつ神経核は抑制性細胞からなることが多いがそれはこのような事情による物だろう。
では、興奮性の細胞の存在意義はなにかという事であるが、それは、 第一に興奮性細胞があると次の神経細胞を高速に興奮させることができることである。 抑制性の細胞が次の細胞を興奮させるには抑制性の発火を止めるしかない。例えば定常的に100Hzで発火している細胞が急に発火を止めても異常が次の細胞に感知できるまで10msかかる。 しかし興奮性の細胞ならば、スパイクが来たら即興奮できる。
第二にスパースな信号を伝えるためにはエネルギー効率が悪い、という事情による物だろう。
▼ 私の場合解析に使っているプログラムはちょこちょこ変更があって、しばしば「このファイル、３日前はどんなだったっけ」という事になる。
同様の経験がある人は絶対に履歴管理システムを導入するべきだと思う。 (プログラムのファイルだけでなくTeXソースでも何にでも使えるし。)
最初CVSしか知らなかったからCVSにするところであったが、 サーベイしているとsubversionの方がよさそうだ。 新しい機能を求めるのでは無く「CVS の基本的な考え方は保持したまま、バグやまずい実装を 含まないようにする」という方針も好ましく思える。こういう物には安定性が一番重要だから。
以下が、私が有用だと思ったリンク。
▼ 日本の理学系研究者の人数は恐らくアメリカの６分の１くらいのようだ
どうも工学も含めた研究者の総数なんかの数字はたまに見かけることがあるけど、理学と工学をきちんと区別した数字は見たことがない。工学も含めると人口当たりの研究者数はアメリカと同じくらいなんだけど。で、以下のような間接的な数字からどうも1/6位なんじゃ無いかと考えている。
米国 | 日本 | 西独 | 英国 | |
|---|---|---|---|---|
| 労働人口 | 11,954万人 |
6,084万人 |
2,802万人 |
2,777万人 |
| 新規学卒者(人) | ||||
| 合 計 | 217,676 |
88,973 |
18,932 |
43,500 |
| 理学分野 | 74,577 |
13,295 |
10,098 |
27,100 |
| 工学分野 | 143,099 |
75,678 |
8,834 |
16,400 |
| 新規学卒者の供給力指数(％) | ||||
| 理学/労働人口 | 0.06 |
0.02 |
0.04 |
0.10 |
| 工学/労働人口 | 0.12 |
0.13 |
0.03 |
0.06 |
これは ９２年くらいの「日本労働研究雑誌」に載っていたらしい資料を 「団藤保晴の「インターネットで読み解く!」第13回「 大学改革は成功するか」」から引用したもの。 すこし古い資料ではあるが「各国とも大きな枠組みに変更はないので現在も十分に通用する」とのこと。
これを見ると理学系の学卒はアメリカではおよそ5.6倍いることになる。 つまり理学系の知識を持った人はそれくらいいるということ。 研究者のかなりの部分を占める大学教官の数の日米比もそれくらいだということになる。 アメリカの人口が多いことを考えて人口比で見ても、アメリカ、そしてドイツ、イギリスでも日本の３倍前後いることがわかる。
ちなみに工学ではアメリカには日本の２倍の学卒がいて、人口比でみると８６年でさえ日本の方がやや多いくらいである。
| １位 | ２位 | ３位 | |
| 日本 | 医・歯・薬学(7053) | 工学(3964) | 理学(1586) |
| アメリカ | 人文・芸術(10659) | 理学(9600) | 教育学(6716) |
| イギリス | 理学(4100) | 工学(1800) | 医・歯・薬学(1600) |
| フランス | 理・工・農学(5621) | 人文・芸術(2449) | 法・経［社会科学］(1891) |
| ドイツ | 医・歯・薬学(8618) | 理学(7386) | 法・経［社会科学］(3261) |
次のこれは、 文部科学省の『教育指標の国際比較』所収のデータをもとにまとめたものを、 「反社会学講座 第22回 末は博士か叙勲者か」から引用している。
研究者数そのものでは無いが、研究者数と強い相関があると考えられる博士号取得者の人数。やはり、理学系はアメリカに６倍程度、水をあけられているし、人口比からいっても欧米の1/3前後であることが分かる。
-----------５月２９日追記-----------
こちらにこの記事の特に前半の不備を指摘するコメントがあります。具体的な学制の違いについて私はほとんど知らないという自覚はあったので、具体的な情報は有益でした。ありがとうございます。指摘を要約しつつ引用すると
1) 「１９９２年まで、英国の大学と呼ばれるところの学部には、工学部」はない。（このことからリンク先では「日本労働研究雑誌」にのった例の資料の信ぴょう性に疑問を表しています。）
2) 1992年までは英国の工学の高等教育は、ポリテクニックという専門学校で行なわれていた。日本で言うと、高専に近く、英国の大手企業で、幹部にもなれそうな技術者・研究者になろうと思う人は、ポリテクニックには通わずに大学の理学部に通っていた。
3)「米国では学部の区分けが日本と違います。例えば、統計学部なんてのを持っている学校が沢山あり、そこは日本で言うと、数学科の統計学専攻と、経済学部の金融工学やっているような奴とが混在している」
「応用数学、または応用物理学なんてのは米国では通常理学部の配下にありますが、日本では、応用数学は数理工学とか計数工学などの呼び名で工学部配下に置かれますし、応用物理も同様に工学部配下に置かれます」
4) 「米国は医者になろうと思うと、メディカルスクールという大学院に行かないといけませんが、そのためには大学学部を出ている必要があります。」「彼らは日本で言うと、理学部生物学科なり理学部化学科配下の生物化学専攻を卒業します。」
というようになります。
これらはどれも社会の差を考えさせて面白い物ですが、 (2), (4)は英と米ではそれぞれ理学部に通っている学生のうち一部は理学部に通いたく無いのかもしれないという事を示唆しますが、 理学部卒業生が多いという事と、それから推定される理学系の教官が多いかもしれないという推測には影響しません。
(3)については確かに理学部の少なさ※の一部を合理的に説明するかも知れません。
▼ 数学研究ピンチ 論文、米の５分の１ 博士号は６分の１(asahi.com)
文部科学省科学技術政策研究所の調査でわかった。都内で１７日にあったシンポジウムで報告された。(中略)
調査では、世界の数学論文における日本の論文数は０３年現在約６％で６位。トップの米国（約３０％）に遠く及ばず、００年には中国にも抜かれた。
これがこの発表に関係しているのかな： 忘れられた科学 - 数学 主要国の数学研究を取り巻く状況及び我が国の科学における数学の必要性 （PDF, 文科省・科学技術政策研究所）
「どうしちゃったの日本の数学」みたいなことを言っている人がいたけど、数学は理学の一部なのだから、これは上のような事情から意外ではない。
▼
大脳新皮質の第IV層はICAを行っている
（ICA model of layer IV of the neocortex.）
普通の ICAは入力ベクトルを x 出力ベクトルを y として
(1) y = Vx
で、n×n行列 V の学習則は
(2) ΔVij/a = Vij - φ(yi)×(yV)j
である。ここでφはyiの周辺確率分布関数のlogを微分したものであるが、通常決め打ちで例えばφ(s) = tanh xなどが使われる。aは学習率であり小さな定数である。
ICAは非常に有用な信号解析/信号圧縮法であり、脳の中でも役に立つと思われる。しかし(2)式のような学習側を神経細胞が実現することはできないと考えられている。
なぜならば(2)式にはVに対する左からの積が現れている。ΣjVijxjのようなベクトルの計算は神経細胞 i 上の軸索 jから入力を受けるシナプスに Vijを当てはめることにより実現できるが、ΣiyiVijのような計算を実現するためには軸索 j に繋がる全てのシナプスの加算を伴う。しかしシナプスの後の細胞の方から軸索にシグナルを戻す方法が存在しないので、そのような加算はできない。このために(2)式のような学習側は実現不可能なのである。
しかし以下のような学習側に変更すれば神経細胞上でもICAは実装可能である。
z = Vx
y = z + (W+WW+...) z
これが基本的な発火。そして
ΔWij/a = 1ij - φ(yi)×yj
ΔVij = 0
これが覚醒時の学習側[1]。そして
ΔWij = 0
ΔVij/a' = (y-z)i×xj
を睡眠時の学習側とする(a'<< a)。睡眠時には〈xi×xj〉= δijとする。この学習側の安定点は
〈1ij - φ(yi)×yj〉= 0
〈(y-z)i×xj〉= 0
であるからW=0かつVが上の学習側とおなじになるところが安定点である。しがってICAを実現できる。
この新しい学習側をもうすこしbiologicalな言い方で言えば、「n個のニューロンがfeedforwardな入力 V とrecurrentな入力 W をもち、feedforward側がHebb学習、recurrentがわがanti-Hebb学習をする」である。
さて、大脳新皮質は６つの層からなっている事が知られている。その層構造の機能的意味は分かっていない。ここでは第IV層が以上のアルゴリズムを実装していると提案する。
その第一の理由は実際に第４層が視床や他の領野などの外部からの入力を受けていて、かつ４層内のrecurrent入力をもっているからである。またそれ以外の入力はあまり無さそうに見えるからである[2]。
第二の理由は、線形に似通った入力に対して最初にICAをかけておいてそれから２、３層での処理にまわすのは機能的にみて理にかなっていること。（線形に強く相関した入力はいわゆるニューラルネットの動作/学習に良くない事が多い。）
そして第三の理由は画像データにICAをかけると一次視覚野第IV層の細胞の反応選択性に酷似したフィルタが得られる[3]という証拠があるからである。
[1] しかし(2)式右辺を右からVで割れば ΔVij/a = 1ij - φ(yi)×yj
となる。これは神経細胞で実現できるのだからなぜ最初からそうしなかったかという話になる。しかしこれはいわゆる"natural gradient"のICAではないので収束が悪く実用的では無いからである。
[2] ４層の主要ニューロンはspiny stellate cellだが、すでに述べた二つの入力以外の入力を受けるapical dendriteを欠いている。またこの４層の細胞からの投射は４層内に限られる傾向がある。
pp463 & 465, The Synaptic Organization of the Brain, 4th ed., 1998 Oxford univ. press
[3] Bell AJ, Sejnowski TJ., The "independent components" of natural scenes are edge filters.Vision Res. 1997;37(23):3327-38. (PubMed)
▼ ふと大学院という制度はいつ発生してどのように広がったのかについて自分は何も知らないことに気付いた。どうも意外と新しい物のようだけど。２０世紀に入ってからかな？
▼ やはり脳の理論的研究の多くハマっている問題はアレだと思う。
我々の精神の能力には、チューリング完全性の核の上にスキル、つまりソフトウェアとして実現されている機能と、脳のハードで実現されている機能がある。（同じ機能が両方に実装されていて状況に応じて使い分けれらていることもあるだろうし。） この二つの区別をつけずに議論すると、ほとんどあらゆる機能が「複雑すぎて実現不可能」とういことになる。
たとえば今目の前にあるコンピュータの仕組みを解析するにあたって、「全部がハードウェアで実装されているわけでも無いし、全部がソフトウェアで実装されているわけでも無い」という当然の事実を理解せずに理解することは不可能であるのと同じようなことだ
▼ 儀礼としての「てい毛」：手術前の剃毛について
だが、このてい毛の感染予防の効果について、科学的な客観的評価をしたところ、無意味どころか有害だという結果がでていることを皆さんはご存じだろうか。術後の傷口の細菌感染リスクが、てい毛によって除毛しない場合の10倍近くに増大するというのだ。
1971年に、米国ニューヨークの医師セロピアンとレイノルズによって発表された研究には、こんなデータが示されている。彼らは、外科的な手術が必要だった患者500人以上を対象として、入院番号が奇数だったときには手術前にカミソリを使っててい毛し、それ以外には脱毛クリームを使って、術後の感染が起きるかどうかを比べた。もちろん、それ以外に、子どもなどの場合で、てい毛も脱毛も行わなかったケースもあった。
その結果では、驚くほどハッキリした差がでている。カミソリでてい毛された患者249人では、術後に傷口の感染が起きた者が5.6％だったのに比べて、脱毛クリームを使った患者157人ではわずかに0.6％、術前に何もしなかった患者155人でもほぼ同じの0.6％だったのである。
また、てい毛されたグループの中で比べてみると、手術の直前にカミソリで剃った場合には傷口の感染のリスクは3.1％だったが、手術の1日前にてい毛された場合には7.1％、1日以上時間がたっていると20％にも達したという。
知らなかった。事実自体にも驚いたけど、ここ100年以上のあいだ誰も調べようとせず、有害なことを得々としてやっていたことの方にもっと驚いた。
脳に電極を埋め込んで直接刺激を与え、食欲を抑制する方法なども研究しているこれをなぜ自分は思い付いてなかったのが不思議。自分にとって切実ではないからではあるだろうけど。
あと血中にホルモンを流すとかも効きそう。
「民間企業から出願する特許には、当たり前のように捏造データが含まれて」いて 「適当なデータをでっち上げてニセの技術の出願を行い、ライバルの目をくらますということが企業の特許戦略として行われて」いて「特許出願とはそう言うもの」であるというはなし。
知らなかった。ま、最初からそう言う物であると分かっていれば良かったわけだけど。 しかし、ねつ造したデータで敵の目をくらませる所まではそう言うゲームだと知っていれば良いとしても、ねつ造したデータで権利が生じるって言うのは・・・ 凄い世界だなあ。
（Tech総研の「 「学術論文」と「特許」の間に流れる深くて暗い河 」で平林さんも似たような事を書いてます。）
Guy Steeleの新しい言語fortressについて
小さな言語コア部分に対して，ライブラリを追加して拡張したり ループはデフォルトでは並列で実行されるこの辺りはcipherと同じだなあ。 cipherと一部ダブる特徴を持った新言語を見る度に「cipherの開発をやめようかな」とか思ってしまうのだけど、結局いまのところやめて無い私。数式とプログラムの表現をできる限り一致させるために，Fortressではプログラムコード内の数式表示を可能にしようとしているのである． 具体的には，Unicodeには豊富な数学記号が収録されているので，プログラムでそれらのUnicodeの文字を最大限に活用できるようにしているのだ
参考：
http://hisashim.livejournal.com/250155.html
Guy Steeleは前からやるつもりだった様子です。
▼ A simple Hebbian/Anti-Hebbian network learns the spare, independent conponents of natural images, Neural Computation 18 (2006) 415-
ああ、ICAをcortexでやる方法については01年頃から知っていて「論文書こう」と思っていたんだけど、やられたよ多分。 いや、Hebbianなforward connectionとanti-Hebbianなrecurrent connectionというところから判断しての話だから、良く読んだら違うかも知れないけど。
