Сравнение различных представлений знаний для сложных структурированных объектов при решении задач ИИ
Аннотация
Задача представления знаний для сложных структурированных объектов является одной из актуальных задач ИИ. Это связано с тем, что многие исследуемые объекты представляют собой не единый неделимый объект, характеризующийся своими свойствами, а сложные конструкции, элементы которых обладают известными свойствами и находятся в некоторых, зачастую многоместных, отношениях между собой.
В работе подход к представлению таких знаний на основе логики первого порядка (формул исчисления предикатов) сравнивается с двумя широко распространёнными в настоящее время подходами, основанными на представлении информации о данных с помощью конечнозначных строк и на использовании графов.
Показано, что использование формул исчисления предикатов для описания сложных структурированных объектов, несмотря на NP-трудность решаемых задач, возникающих после формализации, реально имеют не б´ольшую вычислительную сложность, чем два других подхода, о чём обычно не упоминают их сторонники.
Предложен алгоритм построения онтологии, не зависящий от способа описания объекта и основанный на выделении наибольшего общего свойства объектов из заданного множества.
Литература
G. Bellinger, D. Casstro, and A. Mills, “Date, Information, Knowledge, and Wisdom,” in Systems-thinking.org, 2004. [Online]. Available: https://systems-thinking.org/dikw/dikw.htm
A. J. Godbout and G. M. Godbout, “Filtering Knowledge: Changing Information into Knowledge Assets,” Journal of Systemic Knowledge Management, vol. 1, no. 3, 1999.
H. J. van Meter, “Revising the DIKW Pyramid and the Real Relationship Between Data, Information, Knowledge and Wisdom,” Law, Technology and Humans, vol. 2, no. 2, pp. 69–80, 2020; doi: 10.5204/lthj.1470
P. Cooper, “Data, information, knowledge and wisdom,” INFORMATICS, vol. 18, no. 1, pp. 55–56, 2017; doi: https://doi.org/10.1016/j.mpaic.2016.10.006
A. Darwiche, “Three Modern Roles for Logic in AI,” in Arxiv.org, 2020. [Online]. Available: https://arxiv.org/pdf/2004.08599.pdf
A. Amarilli, “Provenance in Databases and Links to Knowledge Compilation,” in KOCOON workshop on knowledge compilation, Arras, France, Dec, 17, 2019, 2019. [Slides]. Available: https://a3nm.net/work/talks/kocoon2019/amarilli2019provenance_slides.pdf
M. Gelfond, “Logic Based Approach to AI,” in fmfi-uk.hq.sk, 2005. [Online]. Available: https://fmfi-uk.hq.sk/Informatika/Uvod%20Do%20Umelej%20Inteligencie/clanky/logic-ai.pdf
R. Calegari, G. Ciatto, E. Denti, and A. Omicini, “Logic-Based Technologies for Intelligent Systems: State of the Art and Perspectives,” Information, vol. 11, no. 3, p. 167, 2020; doi: 10.3390/info11030167
V. S. Gurin, E. V. Kostrov, Yu. Yu. Gavrilenko, D. F. Saada, E. A. Il’yushin, and I. V. Chizhov, “Knowledge Graph Essentials and Key Technologies,” Modern Information Technologies and IT-Education, vol. 15, no. 4, pp. 932–944, 2019 (in Russian); doi: 10.25559/SITITO.15.201904.932-944
Z. Zhang, P. Cui, and W. Zhu, “Deep Learning on Graphs: A Survey,” Journal of latex class files, vol. 14, no. 8, pp. 1–24, 2015.
S. V. Mikoni, “On the Quality of Ontological Models,” Ontology of Designing, vol. 7, no. 3, pp. 347–360, 2017; doi: 10.18287/2223-9537-2017-7-3-347-360
N. F. Noy and D. L. McGuinness, “Ontology Development 101: A Guide to Creating Your First Ontology,” Technical Report KSL-01-05 and Stanford Medical Informatics Technical Report SMI-2001-0880, Stanford, CA, USA: Stanford Knowledge Systems Laboratory, 2001.
A. Mykhailiuk and M. Petrenko, “Machine learning and ontologies as two approaches for building intellectual information systems,” International Journal "Information Technologies & Knowledge", vol. 13, no. 1, pp. 55–75, 2019 (in Russian).
N. G. Nilsson Problem-Solving Methods in Artificial Intelligence, Moscow: Mir, 1973 (in Russian).
T. M. Kosovskaya, “Dokazatel’stva otsenok chisla shagov resheniya nekotorykh zadachraspoznavaniya obrazov, imeyushchikh logicheskie opisanii” [Proofs of the number of steps bounds for solving of some pattern recognition problems with logical description], Vestnik of St-Petersburg University. Ser. 1, no. 4, pp. 82–90, 2007 (in Russian).
T. M. Kosovskaya, “Fuzzy Recognition by Logic-Predicate Network,” Adv. Sci. Technol. Eng. Syst. J., vol. 5, no. 4, pp. 686–699, 2020; doi: 10.25046/aj050482
T. M. Kosovskaya and D. A. Petrov, “Extraction of a maximal common sub-formula of predicate formulas for the solving of some artificial intelligence problems,” Vestnik S.-Petersburg Univ. Ser. 10. Prikl. Mat. Inform. Prots. Upr., vol. 13, no. 3, pp. 250–263, 2017 (in Russian); doi: 10.21638/11701/spbu10.2017.303
T. M. Kosovskaya, “Isomorphism of predicate formulas in artificil intelligence problems,” Zap. Nauchn. Sem. POMI, vol. 499, pp. 38–52, 2021 (in Russian).
C. M. Bishop, Pattern Recognition and Machine Learning, New York: Springer, 2006.
J. Oh, K. Yun, U. Maoz, T.-S. Kim, and J.-H. Chaea, “Identifying depression in the National Health and Nutrition Examination Survey data using a deep learning algorithm,” Journal of Affective Disorders, vol. 257, pp. 623–631, 2019; doi: 10.1016/j.jad.2019.06.034
S. J. Russel and P. Norvig, Artificial Intelligence. A Modern Approach, Moscow: Izdatelskii dom “Vil’yams”, 2006 (in Russian).
M. R. Garey and D. S. Johnson, Computers and Intractability: A Guide to the Theory of NP-Completeness, Moscow: Mir, 1982 (in Russian).
T. M. Kosovskaya, “Isomorphous Subformules Isolation as a Means to Construct Logical Ontology,” in Proc. 13th Russian Multiconference on Management Problems. "Information technology management (ITU-2020), 7–8 Oct. 2020, St. Petersburg, St. Petersburg, Russia: Concern CSRI Elektropribor, 2020, pp. 84–86 (in Russian).
Материал публикуется под лицензией:
