блог од Тарас Филатов

Према Заступање идеалистички Кноуледге Сыстем: Глобал Кноуледге Мап

Тарас Филатов

Резиме

Један од најзначајнијих проблема са којима спречити даљи развој у областима знања и вештачка интелигенција је проблем семантичке поравнање или знање Маппинг. elaborated through unsupervised extraction of dependencies from large documents corpus , is proposed. Напредак у својој решење ће бити увелико од користи за задаћама проналажења информација, онтологија поравнавање, релевантност израчун разумевање текста итд У раду се концепт вишедимензионално глобалном знању ситеа, разрађене кроз без надзора екстракцију зависности од великих докумената корпуса је предложила . Осим тога, проблем директне Хуман - систем знања интерфејс обратио и један појам адаптивне декодер предложени за интеракцију са претходно описаним уједињен Маппинг модел. У комбинацији та два приступа су предложени као основа за развој нове генерације знања система.

Кључне речи: знања, знање картирање, људска рачунару интеракције, онтологија поравнавање, горњи онтологија, релевантност израчун, претраживање информација, документ сличности

1. Увод

У друштву, у подручју знања постаје значајнији од прошле године [25]. Људи увек су покушаји да се проучавање и класифицирати знање о знању. Не можемо наћи референце са већ Сократ у пети веку пре Христа [33] на расцвјетан логика и епистемологија [28] у средњем веку. Будући да се проблем сматра се да је важно у прошлости, тешко је прецијенити његова значења током ере информација.

Модерна технологија претјераних обдарила човека са поплавама података који се тешко сыстематисе и процеса. За особу која ће постати специјалисти у одређеном подручју које је потребно годинама учења и захтева накнадно информативан трку како би ишли укорак са најновијим професионалним трендове.

То је популарно мишљење међу знања инжењера и дата мининг стручњаци који подаци доступни у отворени приступ је довољно за издвајање истинољубив чињеница о практично било који аспект нашег живота, па чак и предвидети будуцност. Једини проблем је да на решавању интелигентнији обрадити податке из мноштва извора. [35].

Овај факторима потражње нове генерације знања системе како би помогли човечанству сыстематисе, приступ и коришћење свој колективни знања.

У тренутном папира смо предложити идејама за развој новог доба знања система (КРС).

Верујемо да недавна достигнућа у појединим областима науке и ускоро ће довести до огромне пробој у оквиру људских знања и људске интеракције-рачунар. Ово ће отворити нове хоризонте и увелико повећати ефикасност људског рада у многим апликацијама. Једина ствар коју треба урадити је да та достигнућа заједно.

Идеална КРС треба обезбедити корисник са практичнији приступ свим знања човечанства. Њени елементи су дакле:

• људско који жели да приступи неким комада знања је он / она заинтересовани,
• складиштење података, а
• посредник у систем пружити интерфејс за људска за приступ знању.

Препреке које настају ту су узроковане ограничења људских способности и садашње технолошке нивоа.

2. Дата стораге

2,1 стате оф тхе арт

Знања захтева систем за складиштење података, осим ако је у могућности да преузмете потребне документе из спољних извора у реалном времену. Можемо Оутлинеу две победе приступи за идеалан КРС од данас: структриран ручно Надгледани глобални знања као што су складишта онтологиес и аутоматизоване системе који укључују индексирање и проналажење већине и доступан пуни сировом збирка докумената (Уорлд Уиде Уеб) као што је претраживачима. Проблем је први приступ је у својим ручним природи - било какве покушаје да изради и одржавању глобалне људске базе знања резултираће компромис између детаљ, актуелности и употребљивост. ], UFO (Unified Framework Ontology) Без обзира има више успешних горњем онтологија пројекте као што су Цыц [23], УордНет [12], ДНС, Сумо итд и теоријско току расправа као један дуг као истраживачки циљ разрадити стандардизовани јединственог глобалног онтологија под именима суо (Стандард Уппер онтологија ) [27], УФО (Унифиед Оквирни онтологија) итд

Други приступ је постао историјско преовлађујуће због УУУ буде највећи, обиман и уп-то-дате корпус доступних података за аутоматизоване обраде данашњице. Ипак, у контрасту прво приступа проблемима аутоматски проналажење информације значајну улогу овде. Проблеми разумевања текста и обрада природног језика су један од најзахтјевније у АИ ипак и даље остаје без ефикасне решење. The second approach (automated indexing) therefore has major lacks in the accuracy of retrieval. У комшилуку су проблеми класификације и релевантности израчун, такозвани 'уеб ускупљавање' проблема [1]. Други приступ (аутоматизовани индексирање), дакле, има велике недостатке у тачност апортирање.

Постоји стална настојања на уношење побољшања наведених приступа у циљу превазилажења тих проблема. На пример, уз јединствен басе онтологија пројеката (суо, БУЛО) има неких покушаја да се развије онтологија поравнање и онтологија Маппинг технике како би се постојећи онтологиес доносе заједно међусобно и са другим врстама база знања [5, 17]. Често се предлажу за смањење недостатака приручника администрације у случају онтологиес кроз аутоматизовани дохват информација (претраживач технологије). С друге стране, боље стандарде хипертекстуални се развијају како би могуће ручно одредити информације које помажу претраживачима разумети значење цоммонсенсе УУУ докумената и хипервезе међу њима [24]. Потребно је схватити да су та хибридна решења носе недостатака у одговарајуће технике уз предности.

Један од тих мана обједињује приступе и њихову интеграцију чини немогућим: нема стандарда картирање и успостављању односа између докумената и појмова у различитим системима. Проблем ће бити решен у случају један од система са фиксном математички интерпретабле хијерархије, као што су онтологиес свлада постојеће приступ (УУУ). Ипак ово се чини мало вероватно због наведених разлога. Независни посредник стандард је потенцијална решења овог проблема. Има више иницијатива о смеру повезивања и узајамно пресликавање базе знања различитих врста међу којима се налази на површини од онтологија Маппинг. Иницијативе имају једну заједничку мана: но сингле стандард картирање и успостављању односа између докумената. Након тога, ниједан од њих је вероватно да ће постати широко призната, осим стандардних више одрживо решење је развијено.

2/2 концепта глобалне Кноуледге Мап (ГКМ)

Верујемо да је могуће разрадити једну стандард за Мапирајте знања по изградњи логички простор са циљем пројекција стварног света познавање појмова. Такав модел (нека нас назвати Глобал Кноуледге Мап) треба да одражава ниво сличности докумената и концепте мапирани на њега.

Главна сврха модел је:

• Поравнање и унакрсно картирање докумената и концепата (УУУ, онтологиес, е-библиотеке, именик и сл)
• Проналажење информације кроз претраживања
• Прецизно аутоматизиран обрачун цоммонсенсе релевантности

ГКМ стога захтева математичко / логички модел знања складиа̨тења с одређеним условом: бића оптимално за задатак знања, односно интеракцију са људским. За испуњење овог стања модела морају одражавати у димензионалност или његова структура је структура људског знања.

Захтеви стога су:

• Димензионалност и картирање.

Главни фактор за димензионалност је значење (или теме).

1. Сваки концепт људског знања мај се пресликавају на тачку са одређеним координатама у систему простора.
2. Сваки документ или текста мај се пресликавају на број бодова (Документ је подељен на меми - смислене делове) или један бод.

• Релевантност израчуна.

1. То је могуће математички израчунати релевантношћу између два концепта по израчуна удаљеност између њихова одговарајућа пројекција тачака у простору.
2. Стога је могуће израчунати 'сличности' између докумената и концепата које израчуна растојање између њихових пресликавање.

• Хомогеност простора.

1. Простор је равномерно (хомогеност) и континуираног
2. Координате одражава смисао и удаљености између тачака одражава разлику у значењу, тако да ако се тачке Ц налази се између А и Б онда то значи да је концепт Ц односе на оба А и Б једнако.
3. Могуће је 'броусе' простора налажењу извора знања мапирану од суседног подручја.

Изградња математичког модела таквих простора омогуцава развој Глобал Кноуледге Мап. Није вриједно покушава разрадити такав модел (ГКМ) у приручнику начин због разлога наведених информација раст и трајне промене у људском разумевању света. Верујемо да је могуће извадити и правила зависности од расположивих цорпусес текстова и користити као процесора за наше Мапирајте сврхе.

У камен наших претпоставки је да је уопште могуће ситеа разне предмете на људско знање једног простора и удаљености унутар димензионалности у потоња одражава степен сличности између гивен субјеката. Ова претпоставка се заснива на Јохнсон-Линденстраусс њима се наводи да је скуп тачака у средњим н димензионална простор могу Еуцлидиан мапирану доле до Н димензионалног простора Еуцлидиан

(2,1)

тако да је растојање између било које две тачке промене само фактор (1 ) [7]. Тхе Вецтор Спаце Модел се уобичајено користи у проналажење информације и документе Текст Категоризација представља као висока димензионална векторе [31]. Ови вектори садрже одређене нивое (зависно о изабраном метриц фунцтион) информације које је довољно да класифицирати тему оригиналног документа.

Тхе Тыцхонофф'с теорију [26] наводи да бода, што представља својства објекти једне класе, би требао бити смјештен ближе једни другима у власништву простора од тачке до које представљају својства објеката других класа. of compactness [22] the mapping will be achieved where the distances between points represent the relevance of the corresponding documents. У нашем задатку то значи оригинални вектор простора н текстова мај бити пројициране на фиксно Н-димензионалног простора и коришћењем одговарајућег алгоритме за компресију података / смањење димензионалности обзиром на теорију компактности и [22] картирање ће се постићи где су удаљености између тачке представљају релевантност одговарајуће документе.

Фактори који утичу на прецизност од картирање:

• репресентативенесс од метричку функцију и величину карактеристике простора
• величину, дисперситы и квалитет докумената цорпус

Под условом да је теорија је примјењива у данашњим условима то остаје да се нађе технику која ће се користити за разрадити и картирање. Предлажемо да се фокусирате на аутоматским средствима због бројних компликација израду стручних приручника-басед Мапирајте непримјењиво.

2,3 Аутоматиц ГКМ кроз генерације без надзора екстракција (хипотезе)

Да би се требало да садржи корисно ГКМ пресликавање од значајног броја стварних реч (УУУ) и докумената у својој структури представљају заједничко људско разумевање света. Није стога ваља размотрити било који приручник начине стварања ГКМ и пуњење са документа пресликавање. Тхе дата мининг принципе треба користити за издвајање зависности заступају знања из постојећих корпуса докумената доступних за компјутерску обраду и филтрирам непотребне податке.

Ту су бројни покушаји за екстракцију без надзора у зависности текстове али је још увек спорна питање да ли је било која техника је способан да пружи одрживи екстракција знања кроз анализу велике збирке докумената [10, 11, 21, 30].

Лет'с поделити фактора који уопштено утичу на садржај докумената у три категорије:

1. Аутори лични фактори (осећања и мотиве за стварање текста, физичког и моралног стања током размишљања и писања)
2. Језик (правила итд је језик који се користи за писање документа)
3. Знања (појединих делова људског знања аутора одашиље директно или имплицитно кроз документ)

Ајмо претпоставити да је могуће обрадити све текстуалне документе доступне људских ауторима и екстракт сви зависност правила. У овом случају утицајем фактора 1 ће бити минималне. Утицај фактора 2 не много важности с обзиром на следеће:

а) документе на више језика може бити претраживање, па реципрочном смањење утицаја

б) језик сама одражава људско знање [18], тако да се донекле је фактор 2 је субфацтор од 3 па чак и вађење њихових смеша представља задовољавајуће постигнуће

То је теоретски могуће онда извадити инфо углавном одговара људског знања изложена кроз расположиве документе. Ове информације се трансформише простор за картирање ће нам пружити хипотетично одрживог ГКМ.

2,4 Имплементација (експеримент)

У простору изграђена сваког документа треба да буде јединствено на мапирану координирати. Тхе 'прегледања' у простор или удаљености поређење требало би показати да ситуација докумената или њихови кластера одраз њихове релевантности и да је могуће доделити одређеном темом имена на одређене координате у простору.

Наши експерименти коришћењем 2 и 3-димензионална Кохонен сом са локалном збирке докумената открива да су растојања између пројекције документи нису стабилни током низа покреће. То је по нашем мишљењу доказ о чињеници да димензионалности од сајта који је недовољно усклађено у Јохнсон-Линденстраусс њима споменуто.

Нажалост, немогуће је спровести експеримент са правом димензионалност. На пример, према Јохнсон-Линденстраусс њима, на мапи 20.000 докумената допуштајући 10% еррор он ће захтијевати 58 димензија. То захтева буџети који су изнад модерним рачунарима 'капацитет.

Вазно је напоменути да се овде, док се њима даје максималну димензионалности за Мапирајте простора дозвољава да испуни услов сингле пројекција, није потребно минималне ефективне вредности. Лема даје вредности за скуп н бодова тј за најгори случај који није вероватно да ће се појавити у пракси. Методе детекције димензионалност треба да користи за израчунавање ефективне димензионалност података и стога утврдити тачан број димензија за картирање појединих података сет. Постоје познате технике за то што долазе из позадине површинске обнове. Један од најновијих је дело С. Цхенг, Ы. и З. Ванг Уу [4] у којој димензији методе детекције преко Принципал Цомпонент Аналысис [8] представљају. Дакле, унутрашњи димензионалност података мај бити издвојене. Како је ова вредност у пракси је нижи од максималног димензионалност потребних за пројекцију исти број докумената у најгорем случају теоријских предмета, ово даје значајан смањити у прорачун времена. Алтернативно за исту сврху можемо узети у обзир на основу итеративне методе евалуације. Сврха је смањење димензионалности у нашем случају је успоставити ефикасан картирање где цоммонсенсе сличност између информациони извори се изражава кроз Еуцлидиан растојање између пројекција тачака. Узимање било које технике редукције димензионалности на основу случајног одабира из улазних података сет (као што су Принципал Цомпонент Аналысис, Самопомоћ организационог Мапе, Саммон обнову или триангулатион), у случају када излазна величина је мања од одговарајућим, пројекције ће бити нестабилна и уз сваки рецалцулатион на картирање ће бити другачија, а удаљености између пројекције неће сачувати. Можемо такође претпоставити да кад је на снази од димензионалност улазних многолика се користи за картирање, на удаљености ће сачувати с одређени степен слободе, зависно о редукција димензионалности методом која се користи. Алтернатива, дакле, решење је случајни избор редукције димензионалности технику у комбинацији са инкрементални димензионалност паралелно евалуацију у Маппинг. 32]. Размотримо, на примјер, технике узгоја Сомс описано у [19, 32]. С циљем да се смањи Израчун време, број се повећава динамички чворови са новим чворови се равномерно расподијељена међу оне старе и њихове тежине вектори се поставити на средства за суседним векторе оригиналне тежине. Истом техником примијењена димензионалности за (Д) ће дати прилику да процене Д сваки корак по корак. Вредновање критеријума би се стабилизација од удаљености између пројекција. У ту сврху су два или више самостално организовање карте мај се изводити паралелно са удвојених удаљености између појединих пројекција бића у односу на сваки итерација. Под итерација овде схватамо у фази када је димензионалности од сом је порасла, а мрежа је стога стабилизиран са новим параметрима.

Сажетка наведене ћемо предложити следеће експериментални модел за евалуацију су бољи приступ за утврђивање Глобална Мапа знања из збирке текстуалне документе.

Тхе датасе т: Векторска простор модела који ће се користити (сваки документ приказан као вектор са карактеристикама као димензије и функције 'редовима као координате у одговарајуће димензије).

Функција одабира функција: најефикаснији бити дефинисана.

Векторска величина: бити успостављена емпиријски.

Обрада података и складиштење.

А смањење димензионалности технику треба користити за пресликавање. Постоје два могућа приступа:

а) унапред израчунати унутрашњи димензионалност и вредновати различите методе редукције димензионалности са познатим димензионалности од Маппинг;

б) 'инкрементални приступ оцењивања димензионалност' са неколико пресликавање се покретати паралелно - само методе са случајним избором улазних података мај се користити.

Улази: документи 'функција вектори.

Излази: ГКМ координата.

Евалуација:

1) Цоммонсенсе вредновање преписка између иницијалне документе и њихове удаљености Еуцлидиан картирање пројекција.

2) Споразум о стабилизацији ових удвојених удаљености између пројекција кроз различите лансира у случају случајног одабира техником која се користи.

3. Интерфаце

3,1 Идеална знања интерфејс

Интерфејс део знања Сыстем је важно када је идеалан систем је објашњено. Обе задатке прима захтеве од корисника и преношење знања назад у њима су једнаке важности са задацима структурирање и складиштење података. У тренутном папира Расправљајуци путове према знања Сыстемс нову генерацију и стога је питање је овервиеуед интеракцији како би се утврдити да ли је могуће да пружи идеалистички интерфејс кроз модерну технологију.

Тхе интерфејса које се користи за подршку интеракције корисника са људском модерног знања и информација дохват системи су углавном 'индексирање' типа, односно корисници морају да знају тачно оно што су тражили и они исто тако морам навести да језичко. Чест пример таквих интерфејса је претраживачу. Као што смо горе наведених, претраживача и корпус УУУ докумената је најцјеловитијих и уп-то-дате знања систем доступан данас, то је разлог њихове популарности. Истовремено је познато да је 'индексирање' интерфејс није природно да се користи за људе, али то је једина алтернатива као 'претраживања' прилази се успоставио врло слабо [16]. Разлог за то је проблем знања картирање и поравнање које не дозвољава аутоматизоване класификације и представљање докумената у складу са својим темама. Међутим, проблем јединственог знања картирање бити решен простор, појављују се нове могућности за изградњу поправила, више од природних интерфејса 'претраживања' типа.

3,2 Висока димензионалност и визуализацију

Након што се помиње да је резултирало глобалном картирање простор је вероватно да ће бити н-дименсионал где је н висок је потребно за решавање проблема визуелне репрезентације. То је могуће за људе да се замисле 3Д простор, дакле, оптималне начине нд-> 3Д репрезентација се вредновати. Редукција димензионалности технике или више заступљеност приступа преко интерфејса се могу користити.

Важно је да, уз помоћ знања у уједињеној Мапирајте простора грешка минимизиран у обрачун између релевантности докумената, и, штавише, за проналажење релевантних докумената па чак и из других система постаје тривијалан задатак. За крајњег корисника то значи једном систему је смјештена на тему је он / она занимати, она никада неће довести корисник нерелевантне докумената.

3,3 Информације захтев ланац

Када је задатак предмета картирање и локација, релевантношћу Израчун и знања прегледања су простор решен најважнији задатак који остаје да се реши проблем почетних захтева. У државном-оф-тхе-арт проналажење информације системи следеће процесе који се обично укључити се тражене информације када:

Људски дела: 1) машта -> 2) формирању језичке конструкције -> 3) ручна тастатура уноса (глас унос) -> Мацхине део: 4) језичке декодирање -> 5) подударања и локације -> 6) визуализације одговарајућих докумената

Ланац је дуг и очигледно је да губитак података и корупције је значајна због брачне језичке кодирање и декодирање. Као прво, корисник мора обликовати на когнитивни слика у кратким језичке казну. Као друго, систем мора декодирати казну, како би се разумели тему корисника интереса. Описани ланац иницијални захтев узроке незадовољства корисника модерне претраживаче због немогућности да се систем "Разумем" захтев резултирало страховитим губитак времена за крајњег корисника. Степена те проналажење грешака и инцонвениенцес узроковане интерфејс је значајна ограничења те ће увелико смањити учинак прецизнијег проналажења и локација докумената које је увела јединствен Маппинг.

Зато је потребно узети у обзир, барем теоретски, могућност стварања идеално кратки ланац људске <-> Сыстем знања интеракцијом са јединицама узрокује губитак података биће елиминисана:

Људски дела: 1) машта -> [захтјев буде минули кроз директне људске мозга-конвертер ГКМ координира] -> 2) Усклађивање и локације -> 3) визуализације одговарајућих докумената

Ми преглед најновијих достигнућа у области Браин Цомпутер интерфејса (БЦИ), за ову сврху.

3,4 Браин-Цомпутер Сајтови

ost significant advances in the area have been made into artificial limb control ie motoring functions of the brain [3] and the interpretation and processing of visual signals. Истраживање о БЦИ је идући на за више од 30 година, а подручје је још увек јако млада и развија се веома брзо. До недавно тренутак м ост значајан напредак на том подручју су у вештачки уд контролу аутомобила тј функције мозга [ 3] те интерпретацију и обраду визуелних сигнала. Ови успеси су верифицирана током вишеструких експеримената који укључују животињских и људских субјеката. Истраживачи извештај успешну интеграцију механичких или електронских уређаја када животиња или људи сазнали за контролу уређаја, уз помоћ свог мозга; други извештај успешан трансфер и визуелног декодирања сигнала [15, 20].

Мозак-рачунар интерфејса студије уско су везани за подручје функционални неуроимагинг, где различитих технологија развијени су за ефикасно снимање стања мозга лица кроз одређене физичке карактеристике. Већина од продуктивног аспекта БЦИ је недавна зову Функционални неуроимагинг техника Магнетиц Ресонанце Имагинг ) (ФМРИ) [6, 13]. Ова техника омогућава снимање динамике крви у различитим областима мозга током времена, и са високом прецизношћу. Ово стога омогућава да се успостави веза између обрасце активирања мозга различитих подручја и одређене активности и когнитивни процеси људског. Важно је да ове технике, за разлику од многих алтернатива је неинвазивни и не укључују ињекција. Неопходно је напоменути да се ипак фМРИ хардвера данас је још увек врло скупо и незграпан.

То је значајан да експерименти показују да је мозак прилагођава на нове услове. На пример, када су импулси аутомобила користи се за контролу аутомеханичара намјештач или рачунар курсор миша, мозак је у стању разликовати и постепено научити контролисати намјештач одвојено од вештачких уд. Лебедев помиње ефекат 'пластичност мозга "која потенцијално омогућава да уграде умјетне уређаји у тело репрезентације. [20]

Новије публикације у подручју неуроимагинг још додатно расправити могућност откривања когнитивне државе у [15]. То наводи на наше фокусирање пажње на могућност примене БЦИ-КРС у људске интеракције.

Познато је да различити когнитивни стања повезаних са одређеним објектима стварног света одговарају одређеним подручјима мозга обрасце активирања. Декодирање тих образаца омогућава да схвате шта преклапају осећаја оријентисана особа је тренутно похађа (где је њихова пажња усмерена је) или у случају са визуелне објекте идентификовати класа објеката која је лице имагинг (односно лица, објекти, намештај), па чак и објекте 'боје и оријентацију. [15] Ови процеси су сложени и далеко од тога да буде схваћено у овом тренутку. Даљња студија ће показати како ниског реда и високе наручити мозак сигнале корелација са одређеним когнитивни функцијама; како просторне карактеристике и обрасци променити током времена и под различитим утицајима, у којој мери је могуће извести активација узорака различитих предмета; и сл Сматра се међутим да је прецизним знањем 'израчунавање' изводе у људски мозак није пресудно за изградњу релевантних БЦИс. [20] Цоммон Дата Мининг технике мај бити примењена на извуци корисне информације из разних неуроимагинг сензора и успоставити везе са одређеним когнитивни стањима.

Постоје ипак важним питањима која могу озбиљно утицати на успех примена БЦИ у области знања. Две мање проблема генерализација преко време и проблем различитих примера из истог менталног стања. Познато је да активирање мозгу подручјима образаца истог менталног стања мај разликују се током времена. Различите инстанце истог менталног државе мај давати модификована слика као и, у зависности о контекстуално варијанте и другим факторима. [15] То захтева флексибилан и класификација просторних ресамплинг алгоритме који ће се користити као предлаже Хаынес и Реес. Верујемо да ће ти проблеми бити ријешени на развој ефективне технике.

Више сумњиво питање је проблем у роману екстраполацији когнитивног стања. Хаынес и Реес, имајте на уму да је број могућих уочљиве или когнитивни држава је бесконачан, док је број тренинга категорије је нужно ограничен. [15] То је, дакле, да је пресудна декодер може бити оспособљени за генерализирати искуства добијена из малих тренинг постављен на потпуно нове категорије. Било би могуће кроз екстраполацији ако мозга обрасце активирања заправо уређен у неком системском параметарски простор. То остаје да се нађе, међутим, верује се да је могуће барем за неке врсте менталних садржаја [15]. У случају сажетак Облик простора за класификацију неуронских образаца заиста постоји да би нам омогућити да теоретизирати о могућностима Мапирајте људског мозга спознајна стања на Глобал Кноуледге Мап описано раније у овом члану. Провидед То се постиже, наведене "проблем почетних захтев ће се решити и" идеалне људске <-> КРС "ланац ће бити могуће успоставити.

3,5 Леарнабле декодер

Као и сада је познато захваљујући најновијим достигнућима осликавање мозга да је могуће разликовати активирање различитих подручја мозга кад лице размишља о различитим темама које мај претпоставити да је могуће створити леарнабле декодер на мапу људске инициран когнитивни државама на знања мапа знања Заступање Сыстем. Дакле идеалан начин људском интеракцијом рачунар може бити успостављена допуштајући огромне брзине и прецизности за комуникацију са системом. Ту ће бити мањи губитак података услед уклањања језичких фази интеракције. Брзине и ефикасности интеракције ће повећати конзеквентно. Ова два фактора ће омогућити људима различитих занимања за повећање ефикасности рада значајно. Фром [6, 15] знамо да постоје одређене законитости локације мозга импулсе и субјеката знања која су заједничка за све људе; можемо назвати ових функција антропогених. Међутим познато је да већина од тих линкова дужни бити индивидуалистички. Стога је декодер мора бити индивидуално прилагодљива.

Такође је очигледно да је ефикасност декодер ће зависити о појединцима и њиховим тренинг са њом и способност да уче. Можемо претпоставити из овог експерименти са вештачком интерфејса се користе за замену изгубљене удови. Људи и животиње су могли концентрисати ментално на посебан начин за померање вештачки манипулатор и чак научити контролисати реал грана и умјетне један засебно [20].

С обзиром на наведене верујемо да умјетне неуронске мреже - механизам заснован је најбоље решење је декодер проблем.

Декодер'с процес учења

1) Ствар са случајним координате у простору вишедимензионално ГКМ је изабрана.

2) Вишеструки документи власништво њихових пресликавање у сусједном подручју (метриц Еуцлидиан се користи) одабрана су и приказани у људском оператеру.

3) Оператор концентрише његов / њен ум цогнитивелы да присуствују гивен топиц и сродних објеката у меморији.

4) Тхе неуроимагинг Подаци се прикупљају путем фМРИ хардвера у одређеном временском периоду.

5) Подаци су обрађени кроз просторне ресамплинг и буке са циљем смањења алгоритам за издвајање информативан обрасце цхарацтеризинг тренутни итерација обуке.

6) Припремили подаци су преузета до улаза у неуронске мреже. У ГКМ координате тачке изабране су преузета до излаза стога обуку неуронских мрежа у мозгу сарадник специфичне обрасце активирања са ГКМ координата.

Људски мозак до знања система бридге интерфејс

Слика 3/1 Процес обуке од декодер

In such way an individualistic decoder may be trained not only for human <-> KRS interaction but basically human <-> any mechanism interaction. It is known [6, 14] that, there are certain anthropogenic regularities of brain mapping, ie in our case it is possible to generalize the linkage of neuroimaging patterns with GKM coordinates over different operators. To make use of it, special ‘anthropogenically pre-trained’ neural nets may be used. These basic networks are to be prepared through massive collective learning of the same decoder involving a big number of human operators. This will significantly reduce the training time compared to randomly initiated neural network. It might likely occur that it is worthwhile to create different pre-trained decoders for people from different cultural/social/educational clusters. It also remains to be found of how much use the decoder is going to be for immediate use without individual training.

4. Conclusions

In this paper we have aimed to pursue a target-oriented approach to the problem of research and development of the next generation Knowledge Representation Systems. As a result, innovative concepts have been proposed for both data storage and interface parts of an idealistic KRS.

The concept of the Global Knowledge Map is an idea of multidimensional homogeneous mapping space as an addressing mechanism enabling easy information retrieval and relevance calculation for the information units stored in heterogeneous data warehouses such as WWW , ontologies etc. There have been multiple works on this issue trying to elaborate both visual and semantic mappings of massive documents collections as described in corresponding surveys [2, 9, 29, 34]. However no single concept has found wide application until now. The reasons we believe, along with calculation and implementation difficulties, have roots in the shortcomings of the proposed models. Most mapping models use 2D or 3D space whereas there are theoretical grounds mentioned in this paper which allow us to argue that low dimensional space mapping is not appropriate for real word application . Consequently, here we propose a concept of self-organising multidimensional Global Knowledge Map. The means for automated construction of such unified mapping space are proposed employing the principles of unsupervised extraction and dimensionality reduction techniques. A model for experimental evaluation of described system is proposed.

A possibility of direct human – KRS interface scheme have been concurrently studied. It was revealed that the current stage at which the area of Brain Computer Interfaces potentially allows the construction of such direct chain from the point of view of information request. A concept of learnable decoder applying neuroimaging hardware and neural network based converter is proposed.

The issue of psychological concerns, individual and social impact that might be caused by the technologies proposed was not examined. It is obvious that certain approaches such as brain computer interfaces might, when implemented, violate individual privacy and cause unexpected after-effects. Therefore this is a subject for careful study by researchers in corresponding fields.

There are multiple assumptions and blank spots in the model described. Undoubtedly it must be evaluated through experiments, elaborated and improved with appropriate techniques. This will demand collaborative research and development involving researchers and organisations of various fields. Moreover, there are certain technology barriers to overcome in order to build a described system. Such as: calculation complexity in the case of unsupervised knowledge mapping; a matter of low accessibility and portability of neuroimaging hardware in the case of neuroimaging – global mapping decoder. Nevertheless we believe the ideas presented would be beneficial for researchers working towards elaboration of knowledge representation systems of the next generation.

References

[1] J. Allan et al, Challenges in information retrieval and language modeling: report of a workshop held at the center for intelligent information retrieval, University of Massachusetts Amherst, September 2002, ACM SIGIR Forum 37 (1) (2003) 31-47.

[2] A. Becks , S. Sklorz , M. Jarke , Exploring the Semantic Structure of Technical Document Collections, in: Proceedings Cooperative Information Systems, 7th International Conference ( CoopIS 2000 ) , Eilat, Israel, 2000 , pp. 120-125.

[3] JM Carmena, MA Lebedev, CS Henriquez, MAL Nicolelis, Stable ensemble performance with single neuron variability during reaching movements in primates , Journal of Neuroscience 25 (46) (2005) 10712-10716.

[4] S. Cheng, Y. Wang, Z. Wu, Provable Dimension Detection using Principal Component Analysis, in: Proceedings of the twenty-first annual symposium on Computational geometry , Pisa, Italy, 2005, pp. 208-217.

[5] N. Choi, I. Song, H. Han, A Survey on Ontology Mapping, ACM SIGMOD Record, 35 (3) (2006), 34-41.

[6] D. Cox, R. Savoy, Functional magnetic resonance imaging (fMRI) “brain reading”: detecting and classifying distributed patterns of fMRI activity in human visual cortex, Neuroimage 19 (2003) 261-270.

[7] S. Dasgupta, A. Gupta, An elementary proof of a theorem of Johnson and Lindenstrauss, Random Structures and Algorithms, 22 (1) (2003) 60 – 65.

[8] C. Ding, X. He, K-means Clustering via Principal Component Analysis, in: Proceedings of International Conference in Machine Learning (ICML 2004), Banff , Canada , 2004, pp. 225-232.

[9] M. Dodge , Mapping the World-Wide Web, in: Preferred Placement: The Hit Economy, Hyperlink Diplomacy, and Web Epistemology, Symposium of the Design & Media Research Fellowship, Jan Van Eyck Akademie, Amsterdam, Netherlands, 1999, pp. 81-98.

[10] J. Dolling, Commonsense Ontology and Semantics of Natural Language, Zeitschrift für Sprachtypologie und Universalienforschung (STUF) 46 (2) (1993) 133–141.

[11] O. Etzioni, M. Cafarella, D. Downey, A. Popescu, T. Shaked, S. Soderland, D. Weld, A. Yates, Unsupervised named-entity extraction from the Web: An experimental study. Artificial Intelligence 165 (2005) 91-134.

[12] C . Fellbaum , WordNet: An Electronic Lexical Database, The MIT Press, Cambridge , MA , USA , 1998.

[13] J. Ford, F. Makedon, T. Steinberg, C. Owen, S. Johnson, A. Saykin, Stimulus tracking in Functional Magnetic Resonance Imaging (fMRI), in: Proceedings of the sixth ACM international conference on Multimedia , Bristol, UK, 1998, pp. 445-454.

[14] J. Haynes, G. Rees, Predicting the stream of consciousness from activity in human visual cortex, Current Biology, 15 (2005) 1301-1307.

[15] J. Haynes, G. Rees , Decoding mental states from brain activity in humans , Nature Reviews Neuroscience 7 (7) (2006) 523-534 .

[16] M. Hertzum , E. Frokjaer , Browsing and Querying in Online Documentation: A Study of User Interfaces and the Interaction Process , ACM Transactions on Computer-Human Interaction, 3 (2) (1996) 136-161.

[17] Y. Kalfoglou, M. Schorlemmer, Ontology mapping: the state of the art, The Knowledge Engineering Review 18 (1) (2003) 1-31.

[18] P. Kay, W. Kempton, What is the Sapir-Whorf Hypothesis? American Anthropologist 86 (1) ( 1984) 65-79.

[19] K. Lagus, S. Kaski, T. Kohonen, Mining massive document collections by the WEBSOM method, Information Sciences 163 (1-3), Special issue on Soft computing data mining (2004) 135-156.

[20] M. Lebedev, M. Nicolelis, Brain-machine interfaces: past, present and future, Trends in Neurosciences 29 (9) (2006) 536-546.

[21] X. Li, P. Morie, D. Roth, Semantic Integration in Text: From Ambiguous Names to Identifiable Entities , AI Magazine, Special Issue on Semantic Integration 26 (1) (2005) 45-68.

[22] D. Marker, Model Theory: An Introduction, Springer-Verlag, International, 2002.

[23] C. Matuszek, M. Witbrock , R. Kahlert, J. Cabral, D. Schneider, P. Shah and D. Lenat . Searching for Common Sense: Populating Cyc from the Web, in: Proceedings of the Twentieth National Conference on Artificial Intelligence, Pittsburgh , Pennsylvania , USA , 2005, pp. 1430-1435.

[24] D. Millard, M. Ross , Web 2.0: Hypertext by Any Other Name, in: Proceedings of ACM Conference on Hypertext and Hypermedia 2006, Odense , Denmark , 2006, pp. 27-30.

[25] L. Morgenstern, Knowledge Representation and commonsense reasoning: Reviews of four books. Artificial Intelligence (170) (2006) 1239-1250.

[26] J. Munkres, Topology, 2nd edition, Prentice Hall, International, 2002.

[27] I. Niles , A. Pease, Towards a Standard Upper Ontology, in: Proceedings of the 2nd International Conference on Formal Ontology in Information Systems (FOIS-2001), Ogunquit , Maine , USA , 2001, pp. 17-19.

[28] L. P. Pojman, The Theory of Knowledge: Classic and Contemporary Readings , 3rd Edition, Late of Clare Hall, Cambridge University , Cambridge , 2003.

[29] F. Rossi, V isualization methods for metric studies, in: Proceedings International Workshop on Webometrics, Informetrics and Scientometrics & Seventh COLLNET Meeting , Nancy , France ( 2006 ), pp. 356-366.

[30] D. Roy, E. Reiter, Connecting language to the world, Artificial Intelligence 167 (1-2), Special volume on connecting language to the world (2005) 1-12.

[31] F. Sebastiani, M achine learning in automated text categorization, ACM Computing Surveys (CSUR), 34 (1) (2002) 1-47.

[32] U. Seiffert , B. Michaelis , Growing 3D-SOM’s with 2D-input layer as a classification tool in a motion detection system , in: Proceedings International Conference on Engineering Applications of Neural Networks (EANN ’96), Abo Akademis Tryckeri, Turku , Finland , 1996 , pp. 351-354 .

[33] J. Sowa, Knowledge Representation. Logical, Philosophical and Computational Foundations, Brooks/Cole, Pacific Grove , CA , USA , 2000.

[34] T. Villmann et al, Theory and Application of Neural Maps, in: Proceedings European Symposium on Artificial Neural Networks (ESANN’2004), Bruges , Belgium , 2004, pp. 25-38.

[35] A. Zanasi, Text Mining and its Applications to Intelligence, CRM and

Knowledge Management, WIT Press, Southampton , UK , 2005.