[논문 리뷰] A Spacetime Approach to Generalized Cognitive Reasoning in Multi-scale Learning

Mark Burgess|arXiv (Cornell University)|2017. 02. 12.

Semantic Web and Ontologies참고 문헌 6인용 수 5

한 줄 요약

이 논문은 다중 척도 학습에서 추론과 패턴 인식을 분리하는, 시공간에 영향을 받은 프로미스 이론 기반의 인지적 추론 프레임워크를 제안한다. 척도 자유 네트워크에서 의미 관계를 재귀적이고 부분적으로 결정적인 경로로 모델링함으로써, 이는 이질적인 센서 데이터로부터 확장 가능하고 맥락 인식 가능한 서사 생성을 가능하게 하며, 계산 복잡도를 크게 감소시키면서도 '브레인스토밍'을 통한 동적이고 반복적인 가설 형성도 지원한다.

ABSTRACT

In modern machine learning, pattern recognition replaces realtime semantic reasoning. The mapping from input to output is learned with fixed semantics by training outcomes deliberately. This is an expensive and static approach which depends heavily on the availability of a very particular kind of prior raining data to make inferences in a single step. Conventional semantic network approaches, on the other hand, base multi-step reasoning on modal logics and handcrafted ontologies, which are ad hoc, expensive to construct, and fragile to inconsistency. Both approaches may be enhanced by a hybrid approach, which completely separates reasoning from pattern recognition. In this report, a quasi-linguistic approach to knowledge representation is discussed, motivated by spacetime structure. Tokenized patterns from diverse sources are integrated to build a lightly constrained and approximately scale-free network. This is then be parsed with very simple recursive algorithms to generate `brainstorming' sets of reasoned knowledge.

연구 동기 및 목표

• 정적이고 데이터 집약적인 패턴 인식 및 취약한 수작업 기반 온톨로지의 한계를 해결하기 위해 하이브리드이고 분리된 접근 방식을 제안한다.
• 의미 관계를 시공간 유사한 구조로 모델링하여, 이질적인 데이터 소스(예: IoT, 웹 센서) 간에 확장 가능하고 다중 척도의 추론을 가능하게 한다.
• 결정론적 논리가 아닌 맥락적 제거를 통해 진화하는 동적이고 반복적인 가설 형성('브레인스토밍')을 지원한다.
• 사전 정의된 고정된 온톨로지가 필요 없이 센서 입력에서 유추되는 인간이 검토할 수 있고 의미적으로 풍부한 지식 표현을 만든다.

제안 방법

• 프로미스 이론을 사용하여 지식 표현을 모델링함으로써, 의미 관계를 그래프 구조에서 협력적이고 의도 기반의 상호작용으로 프레임화한다.
• 다양한 감각 입력을 의미 토큰으로 토크나이즈하고, 느슨하게 제약된 척도 자유 네트워크로 정렬하여 다중 척도 추론을 지원한다.
• 간단한 재귀 알고리즘을 적용하여 네트워크를 분석하고, 연결된 경로를 순회함으로써 '브레인스토밍' 집합의 추론된 서사를 생성한다.
• 원인 분석을 통해 공통 이름과 맥락적 역할을 기반으로 이상 현상(예: 높은 웹 트래픽)을 의미 개념(예: '재스' 영화 축제, '재스' 스시 레스토랑)과 연결한다.
• 불확실성과 다수의 가능성을 유지하는 재귀적 경로 순회를 통해 서사를 유추하며, 맥락적 관련성에 따라 각 링크에 신뢰도 점수를 할당한다.
• 단기적 맥락(현재-지금), 중기적 서사 구조, 장기적 기초 개념의 세 수준으로 구성된 계층적 인지 모델을 구축하여 순환적이고 고유 상태 유사한 그래프를 형성한다.

실험 결과

연구 질문

• RQ1 다중 척도 학습 시스템에서 추론을 패턴 인식에서 분리하여 확장 가능하고 동적인 가설 형성 기능을 어떻게 실현할 수 있는가?
• RQ2 시공간에 영향을 받은 구조가 이질적인 데이터 소스 간에 척도 자유이고 맥락 의존적인 추론을 지원하는 방식으로 의미 관계를 모델링할 수 있는가?
• RQ3 재귀적이고 서사 기반의 접근 방식이 실제 센서 데이터에서의 모호성과 불확실성을 다루는 데 있어 결정론적 논리나 정적 온톨로지보다 우월한가?
• RQ4 인지 시스템이 약하게 연결된 비증거적 관찰에서 설명적 서사를 생성하고 개선할 수 있는 메커니즘은 무엇인가?
• RQ5 분산된 센서 기반 입력에서 파생되지만 인간이 이해하고 검토할 수 있는 의미적 구조는 어떻게 유지될 수 있는가?

주요 결과

• 제안된 시공간 유사 모델은 기존의 논리 기반 또는 딥 러닝 접근 방식에 비해 서사 유추에 대한 계산 복잡도를 수십 배 이상 감소시킨다.
• 의미 네트워크의 재귀적 분석은 맥락에 민감한 광범위한 가설 집합을 생성하며, 맥락적 제거를 통한 반복적 정밀 조정을 지원한다.
• 웹 트래픽 이상 현상에 대한 사례 연구에서, 이름 기반 의미 링크(예: 영화와 레스토랑 모두 '재스')가 자동으로 탐지되어 연결 경로의 신뢰도가 96%로 확인되었다.
• 시스템은 단기적 사건(예: 높은 웹 트래픽)에서 장기적 개념(예: 영화 축제, 스시 레스토랑)에 이르기까지 다수 수준의 서사 구조를 성공적으로 생성하여 계층적 일관성을 보였다.
• 모델는 조기 정제 없이 다수의 잠재적 경로를 유지함으로써 '브레인스토밍'을 지원하며, 선택 이전에 비명백한 연결 고리를 탐색할 수 있게 한다.
• 순환적이고 고유 상태 유사한 그래프 구조는 지속 가능한 개념이 맥락 간에 재사용되도록 하여 장기적 추론을 위한 안정적 핵심을 형성한다.