En inteligencia artificial y ciencia cognitiva , el motor de mapeo de estructura ( SME ) es una implementación en software de un algoritmo para correspondencia analógica basado en la teoría psicológica de Dedre Gentner . La base de la idea de mapeo de estructura de Gentner es que una analogía es un mapeo del conocimiento de un dominio (la base) a otro (el objetivo). El motor de mapeo de estructura es una simulación por computadora de la analogía y las comparaciones de similitud. [1]
La teoría es útil porque ignora las características de la superficie y encuentra coincidencias entre cosas potencialmente muy diferentes si tienen la misma estructura de representación. Por ejemplo, SME podría determinar que un bolígrafo es como una esponja porque ambos participan en la dispensación de líquido, aunque lo hagan de manera muy diferente.
La teoría de mapeo de estructuras se basa en el principio de sistematicidad, que establece que se prefiere el conocimiento conectado a los hechos independientes. Por lo tanto, el motor de mapeo de estructuras debería ignorar los mapeos fuente-destino aislados a menos que sean parte de una estructura más grande. El SME, según la teoría, debería mapear objetos que estén relacionados con el conocimiento que ya ha sido mapeado.
La teoría también requiere que las asignaciones se realicen de forma uno a uno , lo que significa que ninguna parte de la descripción de la fuente puede asignarse a más de un elemento en el destino y ninguna parte de la descripción del destino puede asignarse a más de una parte de la fuente. La teoría también requiere que si una coincidencia asigna un sujeto al destino, los argumentos del sujeto y el destino también deben asignarse. Si se cumplen ambas condiciones, se dice que la asignación es "estructuralmente consistente".
SME asigna el conocimiento de una fuente a un destino. SME denomina a cada descripción un dgroup. Los dgroups contienen una lista de entidades y predicados. Las entidades representan los objetos o conceptos en una descripción, como un engranaje de entrada o un interruptor. Los predicados son de uno de tres tipos y son una forma general de expresar el conocimiento para SME.
Las funciones y los atributos tienen significados diferentes y, en consecuencia, SME los procesa de forma diferente. Por ejemplo, en el conjunto de reglas de analogía verdadera de SME, los atributos difieren de las funciones porque no pueden coincidir a menos que exista una coincidencia de orden superior entre ellos. La diferencia entre atributos y funciones se explicará con más detalle en los ejemplos de esta sección.
Todos los predicados tienen cuatro parámetros. Tienen (1) un funtor, que lo identifica, y (2) un tipo, que puede ser una relación, un atributo o una función. Los otros dos parámetros (3 y 4) sirven para determinar cómo procesar los argumentos en el algoritmo SME . Si los argumentos deben coincidir en orden, conmutativo es falso. Si el predicado puede tomar cualquier número de argumentos, N-ario es falso. Un ejemplo de una definición de predicado es: (sme:defPredicate behavior-set (predicate) relationship :n-ary? t :commutative? t) El funtor del predicado es “behavior-set”, su tipo es “relation” y sus parámetros n-ario y conmutativo están ambos configurados como verdaderos. La parte “(predicate)” de la definición especifica que habrá uno o más predicados dentro de una instancia de behavior-set.
El algoritmo consta de varios pasos. [2] El primer paso del algoritmo es crear un conjunto de hipótesis de coincidencia entre los grupos de origen y destino. Una hipótesis de coincidencia representa una posible correspondencia entre cualquier parte del origen y el destino. Esta correspondencia está controlada por un conjunto de reglas de coincidencia. Al cambiar las reglas de coincidencia, se puede cambiar el tipo de razonamiento que realiza SME. Por ejemplo, un conjunto de reglas de coincidencia puede realizar un tipo de analogía llamada similitud literal, y otro realiza un tipo de analogía llamada analogía verdadera. Estas reglas no son el lugar donde se agrega la información dependiente del dominio, sino más bien donde se ajusta el proceso de analogía , dependiendo del tipo de función cognitiva que el usuario está tratando de emular.
Para una regla de coincidencia dada, hay dos tipos de reglas que definen con más detalle cómo se aplicará: reglas de filtro y reglas internas. Las reglas internas utilizan solo los argumentos de las expresiones en las hipótesis de coincidencia que identifican las reglas de filtro. Esta limitación hace que el procesamiento sea más eficiente al restringir la cantidad de hipótesis de coincidencia que se generan. Al mismo tiempo, también ayuda a generar las consistencias estructurales que se necesitan más adelante en el algoritmo. Un ejemplo de una regla de filtro del conjunto de reglas de analogía verdadera crea hipótesis de coincidencia entre predicados que tienen el mismo funtor. El conjunto de reglas de analogía verdadera tiene una regla interna que itera sobre los argumentos de cualquier hipótesis de coincidencia, creando más hipótesis de coincidencia si los argumentos son entidades o funciones, o si los argumentos son atributos y tienen el mismo funtor.
Para ilustrar cómo las reglas de coincidencia producen hipótesis de coincidencia, considere estos dos predicados:
transmit torque inputgear secondgear (p1)
transmit signal switch div10 (p2)
Aquí usamos una analogía verdadera para el tipo de razonamiento. La regla de coincidencia de filtro genera una coincidencia entre p1 y p2 porque comparten el mismo funtor, transmitir. Las reglas internas luego producen tres hipótesis de coincidencia más: torque a señal, inputgear a switch y secondgear a div10. Las reglas internas crearon estas hipótesis de coincidencia porque todos los argumentos eran entidades.
Si los argumentos fueran funciones o atributos en lugar de entidades, los predicados se expresarían como:
transmit torque (inputgear gear) (secondgear gear) (p3)
transmit signal (switch circuit) (div10 circuit) (p4)
Estos predicados adicionales crean funciones o atributos de inputgear, secondgear, switch y div10 según el valor definido en el archivo de entrada del lenguaje. La representación también contiene entidades adicionales para gear y circuit.
Dependiendo del tipo de inputgear, secondgear, switch y div10 , sus significados cambian. Como atributos, cada uno es una propiedad del engranaje o circuito. Por ejemplo, el engranaje tiene dos atributos, inputgear y secondgear. El circuito tiene dos atributos, switch y circuit. Como funciones inputgear, secondgear, switch y div10 se convierten en cantidades del engranaje y circuito. En este ejemplo, las funciones inputgear y secondgear ahora se asignan a las cantidades numéricas “torque from inputgear” y “torque from secondgear”. Para el circuito, las cantidades se asignan a la cantidad lógica “switch activated” y a la cantidad numérica “current count on the divide by 10 counter”.
SME procesa estos datos de manera diferente. No permite que los atributos coincidan a menos que formen parte de una relación de orden superior, pero sí permite que las funciones coincidan, incluso si no forman parte de dicha relación. Permite que las funciones coincidan porque hacen referencia indirecta a entidades y, por lo tanto, deben tratarse como relaciones que no involucran entidades. Sin embargo, como se muestra en la siguiente sección, las reglas internas asignan pesos menores a las coincidencias entre funciones que a las coincidencias entre relaciones.
La razón por la que SME no combina atributos es porque está intentando crear conocimiento conectado basado en relaciones y, por lo tanto, satisfacer el principio de sistematicidad. Por ejemplo, si tanto un reloj como un automóvil tienen atributos de engranaje de entrada, SME no los marcará como similares. Si lo hiciera, estaría haciendo una combinación entre el reloj y el automóvil en función de su apariencia, no de las relaciones entre ellos.
Cuando los predicados adicionales en p3 y p4 son funciones, los resultados de la comparación de p3 y p4 son similares a los resultados de p1 y p2, excepto que hay una comparación adicional entre el engranaje y el circuito y los valores para las hipótesis de comparación entre (engranaje de entrada) y (circuito de conmutación), y (engranaje de segundo engranaje) y (circuito de división 10), son menores. La siguiente sección describe la razón de esto con más detalle.
Si inputgear, secondgear, switch y div10 son atributos en lugar de entidades, SME no encuentra coincidencias entre ninguno de los atributos. Encuentra coincidencias solo entre los predicados de transmisión y entre torque y señal. Además, los puntajes de evaluación estructural para las dos coincidencias restantes disminuyen. Para que los dos predicados coincidan, p3 debería reemplazarse por p5, lo que se demuestra a continuación.
transmit torque (inputgear gear) (div10 gear) (p5)
Dado que el conjunto de reglas de analogía verdadera identifica que los atributos div10 son los mismos entre p5 y p4 y debido a que los atributos div10 son parte de la coincidencia de relación superior entre el torque y la señal, SME realiza una coincidencia entre (engranaje div10) y (circuito div10), lo que conduce a una coincidencia entre engranaje y circuito.
Ser parte de una coincidencia de orden superior es un requisito solo para los atributos. Por ejemplo, si (div10 gear) y (div10 circuit) no son parte de una coincidencia de orden superior, SME no crea una hipótesis de coincidencia entre ellos. Sin embargo, si div10 es una función o relación, SME sí crea una coincidencia.
Una vez que se generan las hipótesis de coincidencia, SME debe calcular una puntuación de evaluación para cada hipótesis. SME lo hace utilizando un conjunto de reglas de coincidencia internas para calcular la evidencia positiva y negativa para cada coincidencia. Se correlacionan múltiples cantidades de evidencia utilizando la regla de Dempster [Shafer, 1978], lo que da como resultado valores de creencia positivos y negativos entre 0 y 1. Las reglas de coincidencia asignan diferentes valores para las coincidencias que involucran funciones y relaciones. Sin embargo, estos valores son programables y algunos valores predeterminados que se pueden utilizar para hacer cumplir el principio de sistematicidad se describen en [Falkenhainer et al., 1989].
Estas reglas son:
En el ejemplo de coincidencia entre p1 y p2, SME le otorga a la coincidencia entre las relaciones de transmisión un valor de evidencia positivo de 0,7900, y las demás obtienen valores de 0,6320. La relación de transmisión recibe el valor de evidencia de 0,7900 porque obtiene evidencia de las reglas 1, 3 y 2. Las demás coincidencias obtienen un valor de 0,6320 porque el 0,8 de la evidencia de la transmisión se propaga a estas coincidencias debido a la regla 5.
Para los predicados p3 y p4, SME asigna menos evidencia porque los argumentos de las relaciones de transmisión son funciones. La relación de transmisión obtiene evidencia positiva de 0,65 porque la regla 3 ya no agrega evidencia. La coincidencia entre (engranaje de entrada) y (circuito de conmutación) se convierte en 0,7120. Esta coincidencia obtiene evidencia de 0,4 debido a la regla 3 y evidencia de 0,52 propagada desde la relación de transmisión debido a la regla 5.
Cuando los predicados en p3 y p4 son atributos, la regla 4 agrega -0,8 evidencia a la coincidencia de transmisión porque, aunque los funtores de la relación de transmisión coinciden, los argumentos no tienen el potencial de coincidir y los argumentos no son funciones.
En resumen, las reglas de coincidencia interna calculan una puntuación de evaluación estructural para cada hipótesis de coincidencia. Estas reglas hacen cumplir el principio de sistematicidad. La regla 5 proporciona evidencia de goteo para fortalecer las coincidencias que están involucradas en relaciones de orden superior. Las reglas 1, 3 y 4 suman o restan respaldo para relaciones que podrían tener argumentos coincidentes. La regla 2 agrega respaldo para los casos en que los funtores coinciden, agregando así respaldo para las coincidencias que enfatizan las relaciones.
Las reglas también refuerzan la diferencia entre atributos, funciones y relaciones. Por ejemplo, tienen controles que dan menos evidencia de funciones que de relaciones. Los atributos no se tratan específicamente en las reglas de coincidencia interna, pero las reglas de filtro de SME garantizan que solo se considerarán para estas reglas si son parte de una relación de orden superior, y la regla 2 garantiza que los atributos solo coincidirán si tienen funtores idénticos.
El resto del algoritmo SME se encarga de crear conjuntos de hipótesis de coincidencia con la máxima coherencia posible. Estos conjuntos se denominan gmaps. SME debe asegurarse de que todos los gmaps que crea sean estructuralmente coherentes; en otras palabras, que sean uno a uno, de modo que ninguna fuente se asigne a varios destinos y ningún destino se asigne a varias fuentes. Los gmaps también deben tener respaldo, lo que significa que si una hipótesis de coincidencia está en el gmap, también lo están las hipótesis de coincidencia que involucran los elementos de origen y destino.
El proceso de creación de gmap sigue dos pasos. En primer lugar, SME calcula información sobre cada hipótesis de coincidencia, incluidas las asignaciones de entidades, los conflictos con otras hipótesis y las otras hipótesis de coincidencia con las que podría ser estructuralmente incoherente.
Luego, SME utiliza esta información para fusionar hipótesis de coincidencia, utilizando un algoritmo voraz y la puntuación de evaluación estructural. Fusiona las hipótesis de coincidencia en gráficos conectados de hipótesis de coincidencia estructuralmente consistentes al máximo. Luego, combina los gmaps que tienen una estructura superpuesta si son estructuralmente consistentes. Finalmente, combina gmaps independientes entre sí mientras mantiene la consistencia estructural.
La comparación de una fuente con un grupo objetivo puede generar uno o más gmaps. El peso de cada gmap es la suma de todos los valores de evidencia positiva para todas las hipótesis de coincidencia involucradas en el gmap. Por ejemplo, si se compara una fuente que contiene p1 y p6 a continuación con un objetivo que contiene p2, SME generará dos gmaps. Ambos gmaps tienen un peso de 2,9186.
Fuente:
transmit torque inputgear secondgear (p1)
transmit torque secondgear thirdgear (p6)
Objetivo:transmit signal switch div10 (p2)
Estos son los gmaps que resultan de comparar una fuente que contiene un p1 y p6 y un destino que contiene p2.
Mapa G nº 1:
(SEÑAL DE PAR)(INTERRUPTOR DE ENTRADA)(SEGUNDA MARCHA DIV10)(*TRANSMITIR-PAR-ENGRANAJE-DE-ENTRADA-SEGUNDO ENGRANAJE *TRANSMITIR-SEÑAL-INTERRUPTOR-DIV10)
Mapa G n.° 2 :
(SEÑAL DE PAR)(INTERRUPTOR DE SEGUNDA MARCHA)(TERCERA MARCHA DIV10)(*TRANSMITIR-PAR-SEGUNDA MARCHA-TERCERA MARCHA *TRANSMITIR-SEÑAL-INTERRUPTOR-DIV10)
Los gmaps muestran pares de predicados o entidades que coinciden. Por ejemplo, en el gmap n.° 1, las entidades torque y signal coinciden y los comportamientos transmit torque inputgear secondgear y transmit signal switch div10 coinciden. El gmap n.° 1 representa la combinación de p1 y p2. El gmap n.° 2 representa la combinación de p1 y p6. Aunque p2 es compatible con p1 y p6, la restricción de mapeo uno a uno impone que ambos mapeos no puedan estar en el mismo gmap. Por lo tanto, SME produce dos gmaps independientes. Además, la combinación de los dos gmaps juntos haría que los mapeos de entidades entre thirdgear y div10 entren en conflicto con el mapeo de entidades entre secondgear y div10.
Chalmers, French y Hofstadter [1992] critican a SME por su dependencia de representaciones LISP construidas manualmente como entrada. Argumentan que se requiere demasiada creatividad humana para construir estas representaciones; la inteligencia proviene del diseño de la entrada, no de SME. Forbus et al. [1998] intentaron refutar esta crítica. Morrison y Dietrich [1995] intentaron reconciliar los dos puntos de vista. Turney [2008] presenta un algoritmo que no requiere entrada LISP, pero sigue los principios de la teoría de mapeo de estructuras. Turney [2008] afirma que su trabajo tampoco es inmune a las críticas de Chalmers, French y Hofstadter [1992].
En su artículo How Creative Ideas Take Shape [3] , Liane Gabora escribe: "Según la teoría del perfeccionamiento de la creatividad, el pensamiento creativo no funciona con representaciones predefinidas, discretas y consideradas individualmente, sino con una amalgama de elementos generados contextualmente que existen en un estado de potencialidad y que pueden no ser fácilmente separables. Esto lleva a la predicción de que la construcción de analogías no se produce mediante el mapeo de correspondencias entre fuentes candidatas y destinos, como predice la teoría de mapeo de estructuras de la analogía, sino eliminando las no correspondencias, con lo que se reduce la potencialidad".