Symboling : utiliser des structures symboliques dotées d’une métrique

Paul Bernard (1) , Benjamin Hate (2) , Morgane Laval (2)

1 Mnemosyne - Mnemonic Synergy
2 ENSC - Ecole Nationale Supérieure de Cognitique

We consider manipulating symbolic data structure within usual machine learning algorithms, for instance considering a reactive system engaged in some open-ended, ill-defined problem-solving task. We define the problem-solving tasks at a geometric level, considering being located somewhere in a state-space, with the goal of reaching some final (unique or alternative, eventually partially defined) state, and finding a way from the former to the latter while satisfying the path constraints. The pivotal idea of this geometric definition is to consider an abstract state space where each point is a symbolic data structure, representing contextual information about the physical space and about the agent's internal state. Selecting a local trajectory corresponds to deciding, as a step in the problem-solving process, to modify some characteristics of the state space both at the external level (e.g., moving an object) and at the internal level (i.e., modifying the internal representation). The primary ingredient is to specify a distance. The lever is the notion of editing distance, i.e., the fact that a symbolic data value is step-by-step edited in order to equal another value. Moreover, given a data type, this specification includes the projection of a data value in the neighborhood of the data type region onto it, as developed here. This French report introduces these rather absconding notions making them as much as possible accessible, including showing their relation with computational neuroscience modeling and illustrating them using one drawing and one musical example.

Nous proposons de manipuler des structures de données symboliques au sein d’algorithmes d'apprentissage automatique habituels, par exemple en considérant un système réactif engagé dans une tâche de résolution de problèmes ouverte et mal définie. Nous définissons les tâches de résolution de problèmes à un niveau géométrique, en considérant que nous sommes situés quelque part dans un espace d'états, dans le but d'atteindre un état final (unique ou alternatif, éventuellement partiellement défini), et de trouver un chemin du premier au dernier tout en respectant les contraintes du chemin. L'idée centrale de cette définition géométrique est de considérer un espace d'état abstrait où chaque point est une structure de données symboliques, représentant des informations contextuelles sur l'espace physique et sur l'état interne de l'agent. Sélectionner une trajectoire locale correspond à décider, comme étape du processus de résolution du problème, de modifier certaines caractéristiques de l'espace d'états tant au niveau externe (e.g., déplacer un objet) qu'au niveau interne (i.e., modifier la représentation interne). L'ingrédient principal est de spécifier une distance. Le levier est une notion de distance d'édition, c'est-à-dire le fait qu'une valeur de donnée symbolique est éditée pas à pas pour égaler une autre valeur. De plus, étant donné un type de données, cette spécification inclut la projection d'une valeur de données au voisinage de la région spécifiant un type de données sur celui-ci, comme développé ici. Ce rapport introduit ces notions plutôt abstraites en les rendant les plus accessibles possibles, notamment en montrant leur relation avec la modélisation en neuroscience computationnelle et en les illustrant à l'aide d'un exemple de dessins et d'un exemple musical.

Mots clés: Problem-Solving; Symbolic representation; Editing distance

Mots clés: Résolution de problèmes.; Représentations symboliques.; Distance d’édition

Domaines: Intelligence artificielle [cs.AI]

Paul Bernard, Benjamin Hate, Morgane Laval. Symboling : utiliser des structures symboliques dotées d’une métrique. RR-9499, Inria & Labri, Univ. Bordeaux. 2023, pp.18. ⟨hal-04006574⟩