概念空间理论下的符号基础框架及其理论理论基础

作为多概念空间罗伯托·皮蓬内和安东尼奥·切拉Dipartimento dell{roberto.pirrone，antonio.chella} @ unipa.ithttp://www.unipa.it/dipartimenti/diid抽象。 提出了一种新的人工智能体符号基础框架，其核心思想是：概念这样的空间描述感知，如颜色，纹理，形状和位置，反过来是填充代理环境的对象的属性。对象被表示在一个合适的对象概念空间中，在该空间中，它们的所有特征再次使用pCS中的聚类组合在一起。符号将从这样的张量空间中学习。在这项工作中，报告和讨论的框架及其理论基础的详细描述关键词：符号基础·概念空间·聚类·十元1动机与理论背景符号接地[9]是认知系统和人工意识的基础研究课题。近年来，由于大量旨在与人类协作的机器人架构的发展，该课题在人类机器人交互（HRI）和社会机器人领域受到了极大的关注[10]。事实上，从事高度互动任务的人工智能体确实需要一个接地，即他们的感知的“内部”表示，尽管他们的具体化，和应用领域[2，3]。最终，我们可以说，一个人工智能体能够拥有私人的主观体验的唯一途径尽管在哲学和认知科学中关于感受质的性质甚至是否存在存在有激烈的争论，但我们仍然认为感受质是一个世界的一部分从前面的考虑出发，我们在这里提出了一个基于概念空间理论的符号基础的新框架[5]，其中聚类被用作设计同质区域的主要感知过程w.r.t.不同组低级视觉特征，如颜色、纹理、形状和环境中的位置。这些区域被映射为多个感知概念 空间（pCS）中的原型点，这些空间描述具有相同特征集的每个属性2R. Pestione等人同样，在pCS中的聚类将概念设计为密集的点集：聚类中心可以设计为概念原型，而每个聚类的凸包表示每个概念的边界。环境中的对象被表示为更高级别对象概念空间（oCS）中的张量，其中Kronecker积用于表示对象与其视觉特征之间的关系以及这些特征在形成对象的概念时彼此相关的方式我们的框架是内在的动机，需要建立一个机器人，能够与人类进行无缝交互时，执行协作任务。意识的核心要素之一是语言，因此为人工智能体提供这种能力至关重要。将词汇和意义与环境中的物体联系起来。许多理论认为语言是意识的主要特征之一。 反过来，语言必须以现象经验为基础，才能为文字提供意义。在意识的高阶句法思维（HOST）理论中，只有当“一阶”语言处理操纵扎根符号时，关于世界的思想的有意识思想（以语言形式）才会发生。这样，一个人会觉得他/她在思考一些事情，世界上Luc Steels[15]支持意识与语言严格相关的观点：语言再进入是一个符号循环，当说话者倾听“内心的声音”时，他也是听话者Steels提出了一种基于玩“语言游戏”的符号基础程序[16]，其中两个智能的人工智能体（即两个机器人）为他们正在谈论的话题生成符号。概念空间是一种被广泛接受的形式主义，用于表示有意识的感受质，并将其与感知联系起来[4]。 然而，虽然CS很好地描述了像颜色或形状这样的感官知觉，但声称可以使用定义为Rn中许多异质但相互关联的知觉简单地并列的子空间的“鸟类CS”来建模鸟类的经验 Augello等人[1]声称，世界的主观经验（即感受质）本质上是非线性的，因此它们不能像CS那样在线性向量空间中适当地表示。在这项工作中，我们支持的posi-由不同的感官特征组成的2拟议框架建议的符号接地程序的步骤在下面报告和详细说明感知：从视觉输入中提取多个低层特征，并对出现的同质区域进行聚类。在pCS中映射：每个区域的聚类中心被映射为多个CS中的点，其中维度与特征中的维度相同在oCS中构建对象张量：表示每个p CS中对象属性的向量作为新兴集群3necker产品;多部分对象是表示每个部分的张量的平均值。学习符号：在这方面，学习机器用于将张量绑定到结构化知识库中的符号表示，其中对象之间的关系及其感知属性是明确的。感知当将符号接地到感知时，人工智能体可能会以指示或探索的方式行事;在第一种情况下，人类指向ROI，同时参考符号描述，并且智能体明确地执行符号接地作为其交互任务的一部分另一方面，施事可能会将注意力集中在新事物上，从而试图为这样一个概念提供一种通常在这种情况下，代理人已经知道感知的一部分的符号（例如在这两种情况下，代理不执行明确的模式识别过程，我们可以从完形的角度来考虑它的感知，在这种情况下，低级别特征的预注意分组发生，而视觉注意力的干预只是为了限制视觉阵列中的搜索区域。我们通过从视觉输入中提取不同的低级特征（如颜色，形状，纹理和位置）并使用基于密度的方法对它们进行聚类来建模这样的过程[13]，因为通常这些特征是低维空间中的向量，其中距离的概念定义良好。在每个特征空间中出现几个聚类，并且每个像素可以被标记为w.r.t.它所属的聚类;然后将图像分割成像素显示相同标签集的高斯或模糊平滑可用于避免小孔和去除离群值。pCS感知CS被定义为一组CS，其中每个感知属性由一系列维度定义，这些维度是我们从视觉输入中提取的相同特征;通过这种选择，我们希望解决所有的感知属性。Gardenfors提出的关于CS中描述感官输入的“质量维度”的最佳选择的观点。与心理学密切相关的特征因此，颜色可以用一个感知的颜色空间来描述，主曲率（k1，k2）可以用来局部地描述形状，而合适的纹理描述可以用马利克的纹理子[11]。 每个区域被映射到p个CS的集合上，作为其像素落入的对应聚类的中心;以这种方式，聚类保持它的有效性，以确定类似点在一个pCS。这样的点现在可以被看作是一些属性值的例子和反例。Gardenfors从一些原型开始，使用Voronoi曲面细分来创建表示概念的凸区域。新引入的示例和反例修改了这种镶嵌的边界;赋予了“清晰关系”的适当定义的区域连接演算（RCC）用于对CS进行推理[7]。在我们的框架中，概念只是pCS中的簇：使用簇进行推理比每次添加新示例时构建新的Voronoi曲面细分更灵活。CS。一个概念的原型在集群的中心，而它的边界是集群的凸包。只要一个新的例子从已知的集群的边界掉下来就足以生成一个新的集群，4R. Pestione等人⊗·∈⊗∈∈∈⊗而类似的例子将彼此接近，并且相应的凸壳将相应地改变。我们不需要特定的推理基元，除了样本落入集群内部或外部的概念，而新示例与其他集群的接近度允许根据先前的知识来描述它们的含义，即“橙色就像一种明亮的黄红色”。oCS将对象视为其属性的组合，不能使用所有这些属性的简单矢量表示来建模;第一个反对意见是在这样的向量空间中的因此，CS的主要理论基础此外，感知特征相互影响：当其表面取向朝向或倾斜时，由于其曲率而远离光源，这同样适用于纹理和颜色之间的关系。我们希望使用张量来表示环境中的对象，以解决所有先前的问题。如果我们假设简单的说，一个通用的对象是通过一个颜色c∈C，形状s∈S，纹理t∈T，则对象本身将表示为：O=cst其中C、S和T分别是颜色、形状和纹理的pCS，而表示其通常定义中的克罗内克积。 设Mh，k表示（h，k）阶矩阵空间，vMm，1，w Mn，1，它们的克罗内克积vw Mm，n是一个矩阵，其行的形式为v i wT，i1，. . .，n.前面的定义可以扩展到多个产品。众所周知，以这种方式定义的张量空间具有向量空间结构，因此可以定义内积和诱导范数，并且可以考虑已经满足凸性要求的对象概念空间。产品表达了一种属性相互“调节”的方式。从计算的角度来看，即使我们可能会计算oCS中的距离来判断两个对象之间的相似性，我们也不需要在这样的空间中执行任何显式的聚类过程，因为它是由实际上将符号绑定到对象的学习过程编码的。克罗内克积是一种表示知觉属性在形成客体的主观经验时相互影响的方法。张量也解释了由属性子集定义的对象，即符号最终，单个属性也可以在oCS中具有其张量表示，从而允许使用相同的过程来学习属性和对象符号。在实际情况下，落入智能体所研究的ROI中的对象将被分割成多个区域，即杯子将导致两个张量，这两个张量分别占杯子本身的凸面和凹面，而它们将具有相同的颜色和纹理。在这种情况下，由部分将被考虑。作为新兴集群5⟨⟩在结构化知识库中学习符号由于人工智能体可以被指示学习符号，或者可以在环境中发现新的对象，因此应该进行监督和无监督学习，以将符号与其张量表示绑定。在我们看来，有两种主要的学习方案最适合在接地过程中实现这一步骤：使用RBF核的支持向量机（SVM）和卷积神经网络（CNN）[8]。 SVM是非常好的分类器，也有几个类;当新的聚类出现在p CS中时，可以实例化新的分类器，使得当前的分类器集成开始拒绝o CS中的异常值。此外，RBF核被证明非常适合学习描述为原型向量以及特征空间中有界区域的类别[16]。另一方面，CNN是专门用于张量的学习机器;它们只以监督的方式进行训练，但输出层可以被安排为适应学习有限数量的未知类。一个OWL本体将被用来存储代理的符号知识，在这里的对象和它们的感知特征之间的关系将被明确表示。 值得注意的是，智能体学习的帧的结构形式为Object：hascolour，hasshape，hastexture。 这种结构已经在计算语言学中被广泛研究，以通过使用构式语法（CxG）来实现动词化。构造杆是一种非常适合承载符号之间的绑定的结构，作为由代表感知的数字嵌入制成的“表面形式”的意义。 一些作者已经提出了一个OWL公理化过程[12]，用于在Stee l s的流体构式语法（F CG）[17]中产生构式。相似性（即，嵌入之间的接近度）可以适当地用于指导在FCG生产步骤中选择结构的统一和合并过程。3结论和今后的工作我们目前正在使用Python编程语言和ROS在Aldebaran Pepper机器人平台上开发我们的框架。在这里，我们报告一些关于我们的建议的最后考虑。CS中的聚类是用于操纵概念的有效技术：除了绑定符号之外，pCS中的聚类之间的几何关系还允许学习不精确的表达，如空间语言也可以考虑，当使用一个pCS表达位置。在HRI场景中，没有自发的词汇形成。符号已经在教师的头脑中，而新的符号可以通过与其他符号的特性相似来获得它们的意义。我们的互动学习计划是符合Gardenfors [6]提出的“思想会议”的概念：我们的框架允许代理在注意力指向新事物的情况下形成物体的张量表示，该张量表示部分类似于已知的东西。反过来，意义将以某种程度的不确定性为基础，即已知对象。6R. Pestione等人张量是CS中对象的合适表示，其保持其代数属性，并表达质量维度（即，整体考虑的颜色、形状和纹理）之间的影响，同时避免通过单纯的笛卡尔积对高维特征空间未来的工作将旨在深化相关的理论方面的张量表示的对象，属性和关系出现的pCS。引用1. Augello，A.，Gaglio，S.，Oliveri，G.，Pilato，G.，等：作用于概念空间在认知代理中。In：AIC@ AI* IA.pp. 252. 本蒂沃利奥角Bonura，D.，Cannella，V.，Carletti，S.，Pipitone，A.，帕洛内河，Rossi，P.，Russo，G.：智能代理支持自我调节学习过程中的用户交互。电子学习和知识社会杂志6（2），273. Chella，A.，丁多，H.，Matraxia，F.，Pestione，R.：实时视觉抓取合成使用遗传算法和神经网络。Lecture Notes in Computer Science（includingsubseriesLectureNotesinArtificialIntelligenceandLectureNotesinBioinformatics）4733 LNAI，5674. Chella，A.，Coradeschi，S.，Frixione，M.，Saffiotti，A.：感知锚定通过概念空间收录于：AAAI-04锚定符号研讨会论文集传感器数据。pp. 405. Gardenfors，P.：概念空间：思想的几何学麻省理工学院出版社（2004）6. Gardenfors，P.：意义的几何学：基于概念空间的语义学。麻省理工学院出版社（2014）7. Gardenfors，P.，Williams，M.A.：概念空间中的范畴推理在：IJCAI. pp. 3858. 古德费洛岛，本焦，Y.，Courville，A.，Bengio，Y.：深度学习，第1卷。麻省理工学院出版社剑桥（2016）9. Harnad，S.：符号接地问题。物理D：非线性现象42（1-3），33510. Lemaignan，S.，Warnier，M.，Sisbot，E.A.，Clodic，A.，阿拉米河：社会人机交互的人工人工智能247，4511. 梁，T.，Malik，J.：代表和识别物质的视觉外观-使用三维纹理元的材料International Journal of Computer vision43（1）、2912. Pipitone，A.，Pestione，R.：认知语言学作为语义注释的基础框架。2012年IEEE第六届语义计算国际会议。pp. 52-59. IEEE（2012年）13. 帕洛内河，Cannella，V.，Monteleone，S.，Giordano，G.：基于线性密度的聚类-用离散密度模型来描述ArXiv电子版arXiv：1807.08158（2018年7月），https://arxiv.org/abs/1807.0815814. Rolls，E.T.：大脑皮层：运作原理牛津大学出版社（2016）15. 斯蒂尔斯湖：语言的重新进入和内心的声音。Journal of ConsciousnessStudies10（4-5），17316. 斯蒂尔斯湖：解决了符号接地问题。那么接下来呢？符号和体现：意义和认知的辩论。22317. 斯蒂尔斯湖，De Beule，J.：流体构式语法中的统一与融合在：符号接地和超越，pp。197-223. 03 The Dog（2006）