유연한 추론을 위한 연결주의적 지식 표현 구조 = A Connectionist Knowledge Representation Structure for Flexible Inference

국문 초록 (Abstract)

기존의 기호주의적 인공지능 시스템이 지식을 표현하고 추론하는데 있어서 유연성을 결여하고 있다는 것은 잘 알려진 사실이다. 이것은 기호주의적 지식표현 방법이 표현하고자 하는 의미구조를 반영하고 있지 않기 때문이다. 본 논문에서는 유연한 지식표현과 추론을 위한 연결주의적 접근방법으로써 신경망에 기반한 새로운 지식표현과 추론체계인 Connectionist Semantic Network(CSN)을 제안한다. CSN에서 지식은 개념을 나타내는 상호연결된 노드로써 표현된다. 각 상위개념은 그것과 연관이 있는 하위개념의 네트워크 형태로 표현된다. 각 개념들 사이의 연결은 유연한 추론에 있어서 중요한 역할을 하는 유사성과 연관성을 나타낸다. 이와 같은 구조를 가지는 CSN에서, 추론은 관련된 개념들의 활성화를 네트워크를 통하여 전파함으로써 이루어진다. 본 논문에서는 실험을 통하여 CSN이 유연한 지식표현과 추론에 효율적인 구조라는 것을 보인다.

다국어 초록 (Multilingual Abstract)

It is well known that the conventional symbolic approach suffers from lacking flexibility in representing knowledge and inference. It mainly attributes to the fact that symbolic knowledge representation does not well reflect semantic structure to be represented. In this paper we investigate a connectionist approach to flexible knowledge representation and reasoning. We propose the Connectionist Semantic Network (CSN), a new knowledge representation and reasoning system based on neural networks. In the CSN we represent knowledge as a network of interconnected nodes representing concepts, Each high level concept is, in turn, represented by its semantic structure, a network of its associated subconceptual components. Connections incoporate similarity and association between concepts, which are important for flexible inference. In the CSN inference can be done by propagating the activations of pertinent conceptual nodes through the network. Our simulation results demonstrate that the CSN is an efficient structure for flexible knowledge representation and inference.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 인지 과학적 증거에 관한 고찰
• 3. CSN(connectionist Semantic Network)의 구조 및 수행 단계
• 4. CSN의 학습 알고리즘
• 5. 실험 및 결과
• 6. 결론
• 참고문헌
• 부록
• 저자소개