Tjeerd Fokkens: Ordering Thought – Cognitive Complexity of a Description Logic
Avhandling för filosofie doktorsexamen i ämnet logik vid Humanistiska fakulteten, Institutionen för filosofi, lingvistik och vetenskapsteori. Disputationen hålls på engelska och äger rum på Humanisten. Den som önskar kan lyssna via zoom. Välkommen!
Respondent:
Tjeerd Fokkens, Göteborgs universitet
Avhandlingens titel:
Ordering Thought – Cognitive Complexity of a Description Logic
Betygsnämnd:
Associate Professor Nina Gierasimczuk, Technical University of Denmark
Professor Fredrik Stjernberg, Linköpings universitet
Senior Research Fellow, Paul Mulholland, The Open University
Ersättare vid förfall för ledamot i betygsnämnden är:
Professor Christine Howes, Göteborgs universitet
Opponent:
Associate Professor, Rafael Peñaloza Nyssen, University of Milano-Bicocca
Ordförande:
Doktor Martin Kaså, Göteborgs universitet
Abstract:
Kunskapsbaser används inom en mängd olika branscher för att representera data på effektivt sätt, men de innehåller ibland fel. Felsökning av kunskapsbaser är därför en mycket viktig process. Felsökning kräver förklaringar av konsekvenser i beskrivningslogik, som används för att besvara kunskapsbasfrågor. Sådana förklaringar kan genereras genom axiom pinpointing, vilket är en teknik för att hitta justifikationer: minimala uppsättningar axiom som innebär en viss slutsats.
Vanligtvis hittas en stor uppsättning justifikationer och att välja den mestförklarande är inte trivialt. Vi anser att en förklaring är optimal om den kräver minst kognitiv ansträngning för att förstå. Baserat på denna idé definierar vi begreppet relativ kognitiv komplexitet.
Vi skapade modellen SHARP med den kognitiva arkitekturen ACT-R, som simulerar processen där en människa bestämmer konsistensen hos en så kallad ABox; ABoxar utgör en delmängd av alla motiveringar. Omfattningen av denna avhandling är begränsad till ABoxar i beskrivningslogiken 𝒜ℒℰ. Med hjälp av SHARP för att modellera kognitiv ansträngning, strävar vi efter att fånga den relativa kognitiva komplexiteten hos 𝒜ℒℰ ABoxar.
För att verifiera modellen utförde vi ett experiment. SHARP presterar ganska bra på den relativa kognitiva komplexiteten, men visar också några säregna effekter. För implementeringar önskas en surrogatmodell med snabbare beräkningstider än den ursprungliga modellen. Tre surrogatmodelleringstekniker testades: Random Forests (RF), Support Vector Regression (SVR) och Symbolic Regression (SR). De tre teknikerna uppnår liknande prestanda, men SR uppnår de lägsta beräkningstiderna, även om det krävde en lång träningstid.