Conceptual Structures: Logical, Linguistic, and Computational Issues: 8th International Conference on Conceptual Structures, ICCS 2000, Darmstadt, Germany, August 14-18, 2000. Proceedings

دانشمندان رایانه مدل‌هایی را ایجاد می‌کنند. از طریق تکنیک‌های AI، هدف این مدل‌ها ارائه پشتیبانی اساسی برای تقلید رفتارهای شناختی مانند استدلال و یادگیری است که یکی از اهداف اصلی تحقیق هوش مصنوعی است. چنین مدل‌های رایانه‌ای از طریق تعامل مکانیسم‌های مختلف اکتساب و استنتاج شکل می‌گیرند: ادراک، یادگیری مفهومی، خوشه‌بندی مفهومی، آزمون فرضیه، استنتاج احتمالی، و غیره، و با استفاده از پارادایم‌های مختلف که به طور محکم با فرآیندهایی که از آنها مرتبط هستند، نشان داده می‌شوند. در میان این پارادایم‌ها، اجازه دهید به مدل‌های بیولوژیکی (شبکه‌های عصبی، برنامه‌ریزی ژنتیکی)، مدل‌های مبتنی بر منطق (منطق مرتبه اول، منطق مودال، سیستم‌های مبتنی بر قانون)، مدل‌های واقعیت مجازی (سیستم‌های شی، سیستم‌های عامل)، اشاره کنیم. عوامل احتمالی (Bayesiannets، فازیولوژیک)، مدل‌های زبانی (گراف‌های وابستگی مفهومی، بازنمایی‌های مبتنی بر زبان)، و غیره. می توان آن را تحت پارادایم های بازنمایی متفاوت مشاهده و استفاده کرد که آن را به یک انتخاب معمولی برای انبوهی از کاربردها تبدیل می کند. پیوند کامل آن با فرآیندهای شناختی مختلف منجر به گشودن حوزه به سوی جوامع تحقیقاتی مرتبط مانند منطق توصیف، تحلیل مفهوم رسمی، و جوامع زبانی محاسباتی می شود. اکنون ما شاهد نتایج تحقیقات بیشتر و بیشتری از یک جامعه هستیم که جامعه دیگر را غنی می کند و پایه های مشترک فلسفی را می گذارد که از آن می توان یک هم افزایی موفق را پدید آورد.

Computerscientistscreatemodelsofaperceivedreality.ThroughAItechniques, these models aim at providing the basic support for emulating cognitive - havior such as reasoning and learning, which is one of the main goals of the AI research e?ort. Such computer models are formed through the interaction of various acquisition and inference mechanisms: perception, concept learning, conceptual clustering, hypothesis testing, probabilistic inference, etc., and are represented using di?erent paradigms tightly linked to the processes that use them. Among these paradigms let us cite: biological models (neural nets, genetic programming), logic-based models (?rst-order logic, modal logic, rule-based s- tems), virtual reality models (object systems, agent systems), probabilistic m- els(Bayesiannets,fuzzylogic),linguisticmodels(conceptualdependencygraphs, language-based representations), etc. OneofthestrengthsoftheConceptualGraph(CG)theoryisitsversatilityin terms of the representation paradigms under which it falls. It can be viewed and therefore used, under di?erent representation paradigms, which makes it a p- ular choice for a wealth of applications. Its full coupling with di?erent cognitive processes lead to the opening of the ?eld toward related research communities such as the Description Logic, Formal Concept Analysis, and Computational Linguistic communities. We now see more and more research results from one community enrich the other, laying the foundations of common philosophical grounds from which a successful synergy can emerge.