Vai al contenuto| Home page|

   Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »PRIN - Programmi di ricerca di Rilevante Interesse Nazionale»Programma di ricerca
INIZIO_TESTO_DA_INDICIZZARE

PROGRAMMA DI RICERCA 2004

italiano - english
Unità di Ricerca
Programmi di ricerca simili:
Classificazione scientifico-disciplinare
Classificazione brevettuale
Classificazione geografica
Bibliografia
Amarel, S. (1968). On Representation of Problems of Reasoning about Actions. Machine Intelligence, 3, 131-171.

Autio K. & Reiter R. (1998). Structural Abstraction in Model-Based Diagnosis. Proc. European Conference on Artificial Intelligence.

Benjamin D.P., Dorst L., Mandhyan I., and Rosar M. (1990). An Algebraic Approach to Abstraction and Representation Change. Proc. AAAI Works. on Automatic Generation of Approximations and Abstractions (Boston, MA), pp. 47-52.

Bettini C., Wang X.S., Jajodia S. & Jia-Ling L. (1998). Discovering Temporal Relationships with Multiple Granularities in Time Sequences. IEEE Trans. on Knowledge and Data Engineering, 10(1).

Brooks, R. A. (1991). Intelligence without representation. Artificial Intelligence(47): 139-159.

Chittaro L. & R. Ranon (2001). Hierarchical Diagnosis Guided by Observations. Proc. Int. Joint Conference on Artificial Intelligence.

Choueiry, B., Y. Iwasaki, S. McIlraith (2003). Towards a Practical Theory for Reformulation for Reasoning About Physical Systems. To appear in Artificial Intelligence.

Christensen. J. (1990). A hierarchical planner that generates its own Abstraction Hierarchies. Proc. AAAI (Boston, MA), pp. 1004-1009.

Culberson, J. & Schaeffer, J. (1994). Efficiently Searching the 15-Puzzle, Techn. Report, Dept. of Computing Science, University of Alberta.

Drastal G., Czako G. & Raatz S. (1989). Induction in an abstraction space: A form of constructive induction. Proc. 12th Intern. Joint Conf. on Artificial Intelligence (Detroit, Michigan), pp. 708-712.

Euzenat, J. (1995). An algebraic approach for granularity in qualitative space and time representation. Proc. 14th IJCAI, Montréal (Canada).

Fabre-Thorpe M. (2003). Visual Categorisation : Accessing abstraction in non human primates. In L. Saitta (Ed.), The Abstraction Paths, Special Issue of the Phil. Trans. of the Royal Society, Series B.

Fine S., Singer Y. & Tishby N. (1998). The Hierarchical Hidden Markov Model: Analysis and Applications, Machine Learning, 41-62.

Forbus, K., P. Nielsen & B. Faltings (1991). Qualitative spatial reasoning: the CLOCK Project. Articial Intelligence, 51.

Ghahramani Z. & Jordan M. (1997). Factorial Hidden Markov Models, Machine Learning.

Giordana, A. & L. Saitta (1990). Abstraction: a general framework for learning. Prod. Work. on Automated Generation of Approximations and Abstraction, Boston, MA. pp. 245-256.

Giordana, A. & L. Saitta (2000). Phase transitions in learning relations MACHINE LEARNING, 41, 217-251.

Giunchiglia, F. & T. Walsh (1992). A Theory of Abstraction. Artificial Intelligence. 56: 323-390.

Goldstein, R. C. & V. C. Storey (1999). Data abstractions: Why and How ? Data & Knowledge Engineering. 29: 293-311.

Goldstone, R. & L. Barsalou (1998). Reuniting perception and conception. Cognition. 65: 231–262.

Hobbs, J. (1985). Granularity. Proc. Int. Joint Conf. on Artificial Intelligence, Los Angeles, CA. pp. 432-435.

Holte, R. C., T. Mkadmi, R. M. Zimmer & A. J. MacDonald (1996). Speeding Up Problem-Solving by Abstraction: A Graph-Oriented Approach. Artificial Intelligence. 85: 321-361.

Imielinski, T. (1987). Domain Abstraction and Limited Reasoning. Proc. Int. Joint Conf. on Artificial Intelligence, Milano, Italy. pp. 997-1003.

Iwasaki, Y. and H. A. Simon (1994). Causality and model abstraction. Artificial Intelligence. 67: 143-194.

Knoblock, C.A. (1991). Automatically Generating Abstractions for Planning. Artificial Intelligence, 68, 243-302.

Korf, R. E. (1980). Towards a Model for Representation Change. Artificial Intelligence, 14, 41-78.

Kulp D., Haussler D., Reese M.G. & Eckman F.H. (1996). A Generalized Hidden Markov Model for the Recognition of Human Genes in DNA, Proc. of ISMB-96, pp. 134-142.

Langley P. & Zytkow J. M. (1989). Data-Driven Approaches to Empirical Discovery. Artificial Intelligence, 40 : 283-312.

Lowry, M. (1987). The Abstraction/Implementation Model of Problem Reformulation. Proc. IJCAI-87 (Milano, Italy), pp. 1004-1010.

Matheus C., Rendell L. (1989). Constructive Induction in Decision Trees. Proc. IJCAI-89 (Detroit, USA), pp. 645-650.

Minsky, M. (1961). Steps Toward Artificial Intelligence, Proc. IRE, 49, 8-30.

Mozetic I. (1991). Hierarchical Model-Based Diagnosis. Int. J. of Man-Machine Studies 35, 329-362.

Muggleton S., & Buntine W. (1988). Machine Invention of First-Order Predicates by Inverting Resolution. Proc. 5th Int. Conf. on Machine Learning (Ann Arbor, MI), pp. 339-352.

Murphy K. & Paskin M. (2001). Linear time inference in hierarchical HMMs, Advances in Neural Information Processing Systems, Vol. 14.

Mustière, S., Zucker J.-D., & Saitta L. (2000). An Abstraction-Based Machine Learning approach to Cartographic Generalization. Proc. Int. Conf. on Spatial Data Handling (Beijing, China).

Nayak, P. & A. Levy (1995). A Semantic Theory of Abstraction. Prroc. Intern. Joint Conf. on Artificial Intelligence, pp. 196-192.

Nayak, P.P. & Joskowicz, L. (1996). Efficient Compositional Modeling for Generating Causal Explanation. Artificial Intelligence, 83, 193—227.

Pagallo G. & Haussler D. (1990). Boolean Feature Discovery in Empirical Learning, Machine Learning, 5, 71-99.

Plaisted, D.A. (1981). Theorem Proving with Abstraction. Artificial Intelligence,16, 47—108.

Provan G. (2001). Hierarchical Model-Based Diagnosis. Proc. Int. Workshop on Principles of Diagnosis.

Rabiner L.R. (1989) A tutorial on hidden Markov models and selected applications in speech recognition, Proc. of IEEE, 77, 257-286.

Ram, A. & Jones E. (1995). Foundations of Foundations of Artificial Intelligence. Philosophical Psychology 8: 193-199.

Sacerdoti, E. (1974). Planning in a hierarchy of abstraction spaces. Artificial Intelligence. 5: 115-135.

Saitta, L. & J.-D. Zucker (1998). Semantic Abstraction for Concept Representation and Learning. Proc. SARA-98, Asilomar, CA.

Saitta, L. & J.-D. Zucker (2001). A Model of Abstraction in Visual Perception. Applied Artificial Intelligence. 15: 761-776.

Simon, H. A. (1981). The Sciences of the Artificial, MIT Press, Cambridge, MA.

Struss, P. (1993). On Temporal Abstraction in Qualitative Reasoning. Proc. 7th Intern. Work. on Qualitative Reasoning about Physical Systems, Orcas Island , WA, pp. 219-227.

Subramanian, D. (1990). A Theory of Justified Reformulation. In D.P. Benjamin (Ed.), Change of Representation and Inductive Bias, Kluwer Academic Publ, pp. 147-167.

Torasso P. & Torta G. (2002). Merging Indiscriminable Diagnoses: an Approach Based on Automatic Domains Abstraction. In Proc. Int. Workshop on Principles of Diagnosis.

Torta G. &Torasso P. (2003). Automatic Abstraction in Component-Based Diagnosis Driven by System Observability. Proc. Int. Joint Conference on Artificial Intelligence.

Utgoff, P. (1985). Shift of Bias For Inductive Concept Learning, in Michalski R., Carbonell J. & Mitchell T. (Eds) Machine Learning: An AI Approach, Vol. II. Morgan Kaufmann, pp. 107-148.

Weld, D. & Addanki, S. (2003). Task-Driven Model Abstraction. In Proceed. 4th Intern. Work. on Qualitative Physics (Lugano, Switzerland), pp. 16-30.

Wneck J., & Michalski R. (1994). Hypothesis-Driven Constructive Induction in AQ17-HCI: A Method and Experiments. Machine Learning, 14, 139-168.

Xie L., Chang S., Divakaran A. & Sun H. (2002). Learning hierarchical hidden Markov models for video structure discovery, Tech. Rep. 2002-006, ADVENT Group, Columbia University.
Parole Chiave
INTELLIGENZA ARTIFICIALE; ASTRAZIONE; APPRENDIMENTO AUTOMATICO; RAPPRESENTAZIONE DELLA CONOSCENZA; RAGIONAMENTO BASATO SU MODELLI; RAGIONAMENTO QUALITATIVO

L'Astrazione nella Rappresentazione della Conoscenza e nel Ragionamento: Modellazione e Apprendimento

Università degli Studi del Piemonte Orientale "Amedeo Avogadro" - Vercelli
Abstract
Lo scopo principale del progetto è quello di validare la congettura che l'uso dell'astrazione sia utile per ridurre il costo computazionale di molti problemi NP-hard. Tra questi, considereremo l'apprendimento automatico di Hidden Markov Model gerarchici (apprendimento da sequenze/serie temporali) e l'apprendimento di astrazioni per il ragionamento diagnostico Model Based. All'interno del progetto saranno implementati sistemi prototipali per le due attività menzionate.

Nel corso degli ultimi anni, le unità di ricerca partecipanti alla presente proposta hanno avuto modo di studiare sia aspetti teorici che sperimentali dell'astrazione. L'unione delle loro competenze ha il potenziale di produrre risultati sostanziali nel fondamentale, ma relativamente poco studiato, campo dell'astrazione.

Le unità di ricerca hanno a disposizione un modello teorico dell'astrazione, orientato alla reppresentazione di concetti e alla classificazione. All'interno di tale modello, l'astrazione è definita come un mapping semantico ed è connessa con una nozione di semplicità derivata dalla nozione di semplicità algoritmica di Kolmogorov.

Il modello offre gli strumenti per definire proprietà che ogni mapping di astrazione dovrebbe soddisfare, per una certa classe di problemi, oltre che operatori per l'implementazione dei mapping di astrazione.

Tale modello verrà applicato ad entrambe le attività menzionate sopra, allo scopo di evidenziarne >>>

Coordinatore Scientifico del Programma di Ricerca
Lorenza SAITTA Università degli Studi del PIEMONTE ORIENTALE "Amedeo Avogadro"-Vercelli
Obiettivo del Programma di Ricerca
In [Saitta (Ed.), 2003] è riportato un insieme di articoli che esplorano la nozione di astrazione in discipline diverse, quali lo studio della percezione umana, la neurofisiologia, l'arte, l'Intelligenza Artificiale, le scienze sociali, la matematica e la psicologia cognitiva. Da un esame comparativo degli articoli appare chiaro che ogni disciplina ha la sua definizione e che, anche all'interno di una stessa disciplina, quasi ogni ricercatore ne offre una variante. Infatti, nonostante l'ubiquità dei meccanismi di astrazione e la loro importanza fondamentale, la ricchezza stessa della nozione ne ha impedito una definizione soddisfacente.

Oggi si pensa che sia meglio abbandonare il sogno di una unica definizione [SARA, 2003] a favore di un insieme di definizioni, ognuna ritagliata per una particolare classe di applicazioni. Per questa ragione, questo progetto si pone come goal generale lo studio dell'astrazione nella "rappresentazione concettuale per la classificazione e la diagnosi". Per raggiungere questo obiettivo, possiamo sfruttare ampiamente l'esperienza accumulata negli ultimi anni. Più precisamente, da un lato abbiamo a disposizione una teoria dell'astrazione per la rappresentazione concettuale, il modello KRA [Saitta & Zucker, 1998], e, dall'altro, abbiamo sperimentato l'uso e l'acquisizione di astrazioni in diversi domini, quali la visione robotica, la cartografia e la diagnosi basata su modelli [Mustière et al., 2000; Saitta & Zucker, 2001; Giordana >>>

Risultati parziali attesi
I risultati attesi per questa fase sono i seguenti:

1. Una definizione di astrazione (mapping tra due rappresentazioni) adatta a:
- apprendimento automatico, in particolare apprendimento di modelli di Markov gerarchici.
- ragionamento diagnostico basato su un modello. In particolare si vogliono identificare le condizioni sotto cui astrarre è utile (o necessario), a partire da un modello dettagliato del sistema da diagnosticare.

2. Un insieme di proprietà di cui deve godere un'astrazione affinché essa sia utile per :
- l'apprendimento automatico. Le proprietà devono concernere la nozione di semplicità, quella di copertura estensionale e l'annidamento nelle catene di Markov gerarchiche.
- il ragionamento diagnostico. Le proprietà devono concernere le relazioni funzionali tra comportamenti ground e astratti, e le relazioni topologiche e strutturali tra insiemi di componenti elementari e macro-componenti. La nozione di utilità sarà messa in relazione con quella di semplicità e con una misura della riduzione del costo computazionale prodotto dall'astrazione come viene definita.

3. Una unificazione e reinterpretazione dei metodi di cambiamento di rappresentazione proposti per l'Apprendimento Automatico e per il ragionamento diagnostico. Questa reinterpretazione deve mettere in evidenza quali trasformazioni conservano quali proprietà.

4. Un primo prototipo del sistema per:
>>>

Durata
24 mesi
Base di partenza scientifica nazionale o internazionale
L'astrazione, intesa come la capacità di formare concetti, di cambiare il livello di dettaglio nelle rappresentazioni e nel focalizzarsi solo sugli aspetti rilevanti di un dato problema, è una attività presente in ogni aspetto della percezione e del ragionamento umano [Saitta (Ed.), 2003]. Anche assumendo significati diversi, l'astrazione è cardinale in discipline molto diverse, quali la programmazione (tipi di dati astratti, procedure, …), la percezione visiva (individuazione di oggetti, …), i linguaggi naturali (denominazione e semantica, …), la rappresentazione della conoscenza (formazione di concetti, …), l'arte, le basi di dati (aggregazione di attributi, …), la scoperta scientifica (variabili nascoste e leggi, …), l'ingegneria, e molte altre.

Anche nell'Intelligenza Artificiale (IA) si ritiene[Ram & Jones, 1995] che questa capacità di "distillare l'essenza dalla sua forma superficiale" [Goldstone & Barsalou, 1998] sia una chiave di volta e che trovare un'adeguata rappresentazione sia la parte più difficile nella costruzione di sistemi intelligenti. In fatti, già negli anni 90's, Brooks sosteneva che trovare una buona astrazione vuol dire trovare la soluzione di un problema e che questa ricerca, in IA, è fatta dall'uomo[Brooks, 1991].

Analizzando il ragionamento umano, si nota che spesso la soluzione di un problema dipende dalla scelta del giusto livello di dettaglio con cui guardarlo. Spesso, la soluzione (o l'evidenza dell'impossibilit >>>