問題に固有の認識対象モデルを用いて、初めに入力データの表す情報を予想する。次にその予想の正当性を、入力データの解析により検証する。

　問題に依存しない一般的な知識を用いて、入力データから抽出可能な情報を網羅的に抽出し、その結果の組合せにより入力データの表す情報を推定する。問題固有の認識対象モデルは用いない。

　両方式の併用により、入力データの表す情報を推定する。

　以下では、上記の分類に沿って、従来方式の問題点を述べる。

　まず、機械部品三面図の理解を考える。従来のトップダウン処理は、パラメタライズされた機械部品の三次元形状を認識対象モデルとし、その写像と図面のマッチングにより部品の形状を認識していた。しかし、現実には、部品の種類が多く、かつ、その形状が複雑なため、認織対象のモデル化が困難であった。一方、従来のボトムアップ処理では、二次元の図形要素と三次元の図形要素の対応関係に関する一般的な幾何学の知識を用いて、図面に一致する三次元図形要素の組合せを求めていた。ところが実図面では、円柱形の穴のような単純形状部分の記述は省略されることが多い。従って、一般的な幾何学の知識だけでは、不完全な二次元形状から三次元形状を復元することは不可能であり、省略に対処できなかった。また、従来のトップダウン処理とボトムアップ処理の併用方式では、機械部品のうち形状の単純な部分については、上述した三次元の認識対象モデルを使用し、形状が複雑でモデル化が困難な残りの部分については、一般的な幾何学の知識を用いて認識していた。しかし、この併用方式は処理効率を向上させるために両方式を組み合わせただけで、それぞれの欠点は未解決であり、記述の省略へは依然として対処できなかった。

　次に、質問応答システムの自然言語理解を考える。従来のトップダウン処理では、入力文は数種類しかないコマンドのいずれかを表すと想定し、コマンドのテンプレートと入力文のマッチングにより文の意味を認識していた。このコマンドのテンプレートが認識対象モデルである。ところが、ほとんどの実用的質問応答システムでは、入力文の表す意味は多種多様であるため、数種類のコマンドに帰着することはできず、認識対象のモデル化が困難であった。また、従来のボトムアップ処理では、文法や単語の意味に関する一般的な知識を用いて入力文を解析していたが、一般的な文法及び意味の知識だけでは、自然言語によく現れる意味の曖昧性に対処できなかった。また、従来のトップダウン処理とボトムアップ処理の併用方式は、図面の場合と同様に効率向上だけを目的とするもので、各々の問題は未解決のままであるので、曖昧性には対処できなかった。

　従来方式の問題点をまとめると以下のようになる。トップダウン処理は、機械部品三面図の理解や質問応答システムの自然言語理解に代表される実用的な理解の問題においては、認識対象が複雑なため、そのモデル化が困難であり利用できない。一方、ボトムアップ処理は、図面や自然言語の本質的な特徴である入力情報の不完全性すなわち省略及び曖昧性に対処できない。また、トップダウン処理とボトムアップ処理の併用方式は、上記入力情報の不完全性への対処を目的としていないため、依然、その問題は未解決である。

　すなわち、従来のいずれの方式も、実用的な理解の問題において入力情報の不完全性に対処することはできなかった。

　三面図とは、本来、機械部品の形状を人と人との間で正確に伝えるための手段であり、省略は、人の正確な理解を妨げない範囲でのみ使われる。省略された二次元形状から人が三次元形状を正確に推定するには、一般的な幾何学の知識だけでなく、省略された機械部品の形状に関する知識も必要となる。換言すると、省略可能な部分は、人が形状を予想できる部分に限定されている。以上から、「三面図において省略表現の表す形状は限定されている」という仮説を立て、その検証のため実際の三面図120例を分析した。その結果、省略表現の表す部分は穴、ネジ受けなどに限定されていて、その形状も、円柱や直方体など数種類しかないことが判明した。

　次に自然言語文を考察する。自然言語文の中には、正確な情報伝達を目的としないものもあるが、ワードプロセッサー操作の質問文のように目的が明確な質問文の場合、曖昧表現の使用は、人の正確な理解を妨げない範囲に限られている。換言すると、その曖昧表現は、人が意味を予想できる範囲内でのみ用いられる。以上から、「正確な情報伝達を目的とする自然言語質問文においては、曖昧表現の表す意味は限定されている」という仮説を立て、その検証のために実際の質問文を分析した。その結果、自然言語質問文で使われる曖昧表現の意味は数種類に限定されていることが判明した。

　上記の分析結果から、「人間の情報伝達手段が正確な情報伝達を目的として使用される場合には、省略及び曖昧表現の表す情報は限定されており、従ってモデル化が可能である」と考えた。

　上記の考察から、次のような、理解のための知識処理方式を提案する。

　(a)省略及び曖昧表現の表す情報をモデル化する。そして、そのモデルを、個々の問題において、省略及び曖昧表現の表す情報を予想するために利用する。本論文では、このモデルを、不完全表現の解釈モデルと呼ぶ。

　(b)一般的知識を用いたボトムアップ処理を基本とし、その処理過程で入力情報の不完全性を検出したときに、上記(a)の不完全表現の解釈モデルを用いたトップダウン処理を実行し当該部分を理解する。

　従来は、省略及び曖昧表現の存在を想定しないで複雑な認識対象をモデル化しようとし困難を生じていた。しかし、複雑な認識対象であっても、省略及び曖昧表現との関係に着目すれば、部分的なモデル化が可能となる。そこで、本方式を用いることにより、従来は認識対象のモデル化が困難であった問題においても、部分的なモデル化が可能となり、不完全な入力情報から意味を復元することが可能になる。