Incremental Bootstrapping and Classification of Structured Scenes in a Fuzzy Ontology

要約

私たちは、知識表現をブートストラップし、関連する状況を分類し、将来の観察に基づいて意思決定を行うためにロボットを使用することを予測しています。
特に支援ロボットの場合、ブートストラッピング メカニズムは人間によって監督される可能性があります。人間はトレーニング フェーズを何度も繰り返す必要はなく、学習された表現を改良できる必要があります。
いくつかのわかりやすいカテゴリーを分類するために構造化表現をブートストラップするロボットについて考えます。
このような構造は、段階的にブートストラップする必要があります。つまり、新しい追加カテゴリが考慮されるときに、識別されたカテゴリ モデルを無効にすることなく実行する必要があります。
このシナリオに取り組むために、私たちは、鮮明な OWL-DL オントロジーで構造化された知識表現をブートストラップするシーン識別およびタグ付け (SIT) アルゴリズムを提示しました。
時間の経過とともに、SIT はシーン、サブシーン、および類似のシーンを表すグラフをブートストラップします。
その後、SIT はロジックベースの推論を通じてブートストラップされたグラフ内の新しいシーンを分類できます。
ただし、SIT の鮮明な実装は知覚ノイズに対して堅牢ではないため、SIT には感覚データに関する問題があります。
この論文では、ファジー DL オントロジーを利用して堅牢性の問題を克服する、ファジー ドメイン内での SIT の再定式化について説明します。
SIT のファジー実装とクリスプ実装のパフォーマンスを比較することにより、ファジー SIT が堅牢であり、そのクリスプ定式化の特性が維持され、ブートストラップ表現が強化されることを示します。
逆に、SIT のあいまいな実装では、鮮明なドメインでブートストラップされた知識表現よりも理解しにくくなります。

要約(オリジナル)

We foresee robots that bootstrap knowledge representations and use them for classifying relevant situations and making decisions based on future observations. Particularly for assistive robots, the bootstrapping mechanism might be supervised by humans who should not repeat a training phase several times and should be able to refine the taught representation. We consider robots that bootstrap structured representations to classify some intelligible categories. Such a structure should be incrementally bootstrapped, i.e., without invalidating the identified category models when a new additional category is considered. To tackle this scenario, we presented the Scene Identification and Tagging (SIT) algorithm, which bootstraps structured knowledge representation in a crisp OWL-DL ontology. Over time, SIT bootstraps a graph representing scenes, sub-scenes and similar scenes. Then, SIT can classify new scenes within the bootstrapped graph through logic-based reasoning. However, SIT has issues with sensory data because its crisp implementation is not robust to perception noises. This paper presents a reformulation of SIT within the fuzzy domain, which exploits a fuzzy DL ontology to overcome the robustness issues. By comparing the performances of fuzzy and crisp implementations of SIT, we show that fuzzy SIT is robust, preserves the properties of its crisp formulation, and enhances the bootstrapped representations. On the contrary, the fuzzy implementation of SIT leads to less intelligible knowledge representations than the one bootstrapped in the crisp domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google