本研究では、長名 
服部 萩原らが提案した広域的追加学習法で、カオスニューラルネットワークに継続的にパターンを入力することにより、既知パターンが与えられた時にはそれを想起し、未知パターンに対しては逐次的に学習することができるモデルを再現し、そのモデルで追加学習をすることができることが確かめられた。また、このモデルでノイズや欠落が存在しても正しいパターンが追加学習することができることも確かめられた。
より良い追加学習を行なうために、長名 服部 萩原らが提案した学習法が、全てのニューロンの内部状態から判断して追加学習を行なう広域的な学習を行なっていることから、個々のニューロンの内部状態から判断して追加学習を行なう局所的な学習を行なえる学習法を提案し検討した。その結果から、局所的な学習法でも広域的な学習法と同様の追加学習ができることが確かめられ、ノイズや欠落が存在しても正しいパターンが追加学習されることも確かめられた。そして、二つの学習法を比較したときに、応答速度、ノイズ、欠落訂正能力の違いから局所的な学習法の方が広域的な学習法よりも、より良い追加学習を行なうことができることが確かめられた。このことより、局所的な学習法である個々のニューロン自身によりシナプスの可塑性を持たせることは、パターンの想起、追加学習をするうえで有効な学習法であると考えられる。
今後の課題として、この考え方をもとにサーチアクセスをするうえで特徴を追加学習することができるか検討する。
謝辞
最後に、本研究に対し一年間を通して多大な御指導を賜わりました出口利憲先生に深く感謝すると共に、同研究室において助言をいただいた専攻科の拓殖章博氏、徳島大己氏、共に学んだ佐藤正人氏、竹村浩二氏、山田博久氏に厚く御礼申し上げます。