Professional Documents
Culture Documents
MZOpis Modelu 2
MZOpis Modelu 2
2018
P(c) = A C
Jednak w odróżnieniu od teorii zbiorów przybliżonych i modelu nr 1 zakładam, że
przyporządkowanie różnych etykiet do równoważnych obserwacji (z tego samego bloku) nie wynika
ze zbyt słabej granulacji informacji ale z nakładania się pojęć.
zwierzę
ptak ssak
zwierzę
roślinożerny mięsożerny
wróbel
t 2 m
roślinożerny ptak
orzeł t 2 d
mysz n 4 m zwierzę
mięsożerny
n 4 ś ssak
pies
n 4 d
Zgodnie z [Kat16] dla pytań, które odpowiadają obserwacjom, agent zwraca niemodalną odpowiedź,
czyli dla q1:(lata=t)(nogi=2)(rozmiar=m) pojawią się wypowiedzi:
q1 is wróbel
q1 is ptak
q1 is roślinożerny
q1 is zwierzę.
Dla pytania q2:(lata=t)(nogi=2)(rozmiar=ś) agent nie dysponuje żadną obserwacją, a więc posługuje
się funkcją podobieństwa:
F(B,q2)=5
Wartości funkcji podobieństwa:
Sim(q2,wróbel)=2/5=0,4 Sim(q2, orzeł)=2/5=0,4 Sim(q2,mysz)=0/5=0
Sim(q2,pies)=1/5=0,2 Sim(q2,ptak)=4/5=0,8 Sim(q2,ssak)=1/5=0,2
Sim(q2,zwierzę)=5/5=1 Sim(q2,roślinożerny)=2/5=0,4 Sim(q2,mięsożerny)=3/5=0,6
Agent przyjmuje, że są takie same szanse że badany obiekt jest wróblem i orłem, gdyż bloki z takimi
etykietami mają po 2 jednakowe wartości atrybutów co badany obiekt q2. Pojęcie pies jest mniej
prawdopodobne, gdyż tylko jedna wartość atrybutu pokrywa się w blokach z taką etykietą. Pojęcia na
wyższym poziomie hierarchii mają wyższe wartości funkcji podobieństwa, co jest racjonalne,
zachowana jest więc monotoniczność funkcji.
Sortując według odległości możemy stwierdzić, że pierwsze dwa bloki są przypadkami typowymi
pojęcia ‘ptak’, ich wspólne wartości atrybutów (lata=t)(nogi=2) można przyjąć za typowe wartości.
Wówczas można poszukać czym różni się nietypowy przypadek od jądra prototypu i przedstawić to w
formie zdania np. q jest w kategorii ptak ale lata=n.
Wydaje się jednak, że odległość pytania q od prototypu nie powinna wpływać na miarę
podobieństwa, dlatego na razie nie jest w niej ujęta.
Można jednak przeszukiwać listę bloków od najbardziej typowych, w połączeniu z poziomem
odcięcia s, można w ten sposób uzyskać efekt prototypowy – najbardziej typowi przedstawiciele
pojęć będą rozpoznawani szybciej.
1.8. Prototyp – wersja oparta o [Kat17]
Dla zgodności z definicjami w [Kat17] atrybuty poddajemy binaryzacji:
f1 – lataTak
f2 – lataNie
f3 – nogi2
f4 – nogi4
f5 – rozmiarM
f6 – rozmiarS
f7 – rozmiarD.
Wartości stopnia przynależności (degree of membership) dla wszystkich kategorii podaję
w poniższej tabeli.
Kategoria lataTak lataNie nogi2 nogi4 rozmiarM rozmiarS rozmiarD
wróbel 1 0 1 0 1 0 0
orzeł 1 0 1 0 0 0 1
mysz 0 1 0 1 1 0 0
pies 0 1 0 1 0 0,5 0,5
ptak 1 0 1 0 0,5 0 0,5
ssak 0 1 0 1 0,33 0,33 0,33
roślinożerny 0,5 0,5 0,5 0,5 1 0 0
mięsożerny 0,33 0,67 0,33 0,67 0 0,33 0,67
zwierzę 0,4 0,6 0,4 0,6 0,4 0,2 0,4
Niebieskim tłem oznaczyłem wartości atrybutów należące do prototypu danej kategorii, zakładając
próg =0,63. Tak więc prototypowy ptak lata i ma 2 nogi. Niektóre prototypy są mniej sensowne z
uwagi na to, że rozważany przykład jest dość ubogi (mało przedstawicieli w każdej kategorii). Np.
prototypowy roślinożerca okazał się mały (rozmiarM).
2. Gruntowanie modalnych zdań o przynależności obiektu do
kategorii
2.1.Modalne zdania atomiczne
Rozpatrujemy zdania w postaci Mod(q jest w kategorii c) gdzie Mod jest jednym z operatorów
modalnych:
Pos – możliwości
Bel – przekonania
Know – wiedzy.
Wzorując się na [Kat07] zakładamy istnienie progów modalności od których uzależnione jest
generowanie przez agenta modalnego zdania atomicznego: 0<minPos<maxPos≤minBel<maxBel≤1.
Relacja epistemicznego spełnienia formuły Pos(q jest w kategorii c) zachodzi wtedy i tylko
wtedy, gdy:
𝜆𝑚𝑖𝑛𝑃𝑜𝑠 ≤ 𝑆𝑖𝑚(𝑞, 𝑐) < 𝜆𝑚𝑎𝑥𝑃𝑜𝑠
Relacja epistemicznego spełnienia formuły Bel(q jest w kategorii c) zachodzi wtedy i tylko
wtedy, gdy:
𝜆𝑚𝑖𝑛𝐵𝑒𝑙 ≤ 𝑆𝑖𝑚(𝑞, 𝑐) < 𝜆𝑚𝑎𝑥𝐵𝑒𝑙
Relacja epistemicznego spełnienia formuły Know(q jest w kategorii c) zachodzi wtedy i tylko
wtedy, gdy:
𝑆𝑖𝑚(𝑞, 𝑐) = 1
Być może uda się uprościć model do 2 progów Pos<Bel co równałoby się założeniom:
Pos=minPos
Bel=maxPos=minBel
maxBel=1.
Powiedzmy, że dla przykładu nr 1 ustaliliśmy progi Pos=0,3 i Bel=0,6. Wówczas po prezentacji
agentowi pytania q2 o wartościach atrybutów (lata=t)(nogi=2)(rozmiar=ś) uzasadnione jest
ugruntowanie poniższych modalnych zdań atomicznych:
Know(q jest w kategorii zwierzę)
Bel(q jest w kategorii ptak)
Bel(q jest w kategorii mięsożerny)
Pos(q jest w kategorii wróbel)
Pos(q jest w kategorii orzeł)
Pos(q jest w kategorii roślinożerny)
Powyższe zdania są spójne z wiedzą odnośnie hierarchii kategorii podaną w przykładzie. Pokazują też
wzrastającą pewność agenta wraz z przesuwaniem się w górę hierarchii.
2.2. Modalne zdania z alternatywą
Rozpatrujemy zdania w postaci Mod(q jest w kategorii c1 lub … lub q jest w kategorii cn). Zdanie
zawierające taką alternatywę agent może ugruntować przy założeniu, że kategorie c1…cn traktujemy
jako nową kategorię c obejmującą wszystkie obserwacje etykietowane przez c1…cn. A więc we
wzorze:
𝐹(𝐵(𝑐), 𝑞)
𝑆𝑖𝑚: (𝑄, 𝐶) → [0,1] 𝑖 𝑆𝑖𝑚(𝑞, 𝑐) =
𝐹(𝐵, 𝑞)
klasa c reprezentuje c1…cn a zbiór C obserwacje o takie, że l(o)=ci, i=1…n. Relację epistemicznego
spełniania formuł sprawdzamy tak, jak dla zdań atomicznych.
Wady modelu:
brak (na razie) mechanizmu gruntowania modalnych koniunkcji, alternatyw wyłączających i
negacji
część wad modelu nr 1 wymaga jeszcze zbadania.
4. Bibliografia
[Kat07] Katarzyniak Radosław (2007): Gruntowanie modalnego języka komunikacji w systemach
agentowych. Wyd. Exit, Warszawa 2007.
[Kat16] Katarzyniak R., Mulka M., Popek G., Żurawski M. (2016): Towards Communicative Agents
with Cognitive Semantics of Modal Class-Membership Statements. W: 2016 12th International
Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery, Changsha, China. s.
1981-1986
[Kat17] Katarzyniak R., Lorkiewicz W., Mulka M., Krejcar O. (2017): Towards basic level categories in
cognitive agents. W: 2017 13th International Conference on Natural Computation, Fuzzy Systems and
Knowledge Discovery, ICNC-FSKD 2017 [Dokument elektroniczny] : 29-31 July 2017, Guilin, China /
Eds. Yong Liu [i in.]. [B.m.] : IEEE, cop. 2017. s. 384-391.
[Kle03] Kleiber G. (2003): Semantyka prototypu
[Kom99] Komorowski J., Pawlak Z., Polkowski L., Skowron A., Rough Sets: A tutorial. In: S.K. Pal and A.
Skowron, editors, Rough Fuzzy Hybridization, A New Trend in and Decision Making, pages 3-98.
Springer-Verlag, Singapore, 1999.