Ситуация неопределенности, возникающая в задачах семантики, и способы ее решения

Abstract

Розглядаються різні види невизначеності, які з’являються при розв’язанні задач семантики. В теорії прийняття рішень досліджують ситуацію невизначеності, пов’язану з неповною вхідною, поточною та нечіткою інформацією. Але невизначеність в задачах семантики має інші прояви. Вирішення її проводиться різними способами в залежності від виду невизначеності. Задачі цього класу відносяться до розпізнавання, і при встановленні суті певних об’єктів вводяться міри подібності, які є суб’єктивною оцінкою. Для різних мір значення цільових функцій може відрізнятися внаслідок неоднозначності результату, одержаного за цими функціями або вибраною мірою подібності, та не задовольняти меті дослідження. При виборі результату виникає ситуація невизначеності. Але за деякими мірами подібності можна знайти і глобальний розв’язок. Такі задачі виділяються в підкласи розв’язних задач. Оскільки задачі семантики зводяться до задач комбінаторної оптимізації, аргументом цільової функції в яких є комбінаторні конфігурації, то ситуація невизначеності може бути пов’язана з особливою структурою множини комбінаторних конфігурацій. Для її вирішення необхідно вводити кілька цільових функцій або проводити оптимізацію за кількома критеріями, які зводяться до зваженого критерію (лінійної згортки). Знаходження оптимального розв’язку проводиться самоналагоджувальними алгоритмами з урахуванням постійних та змінних критеріїв, які вводяться в процесі розв’язання задачі. Тобто в процесі роботи алгоритму генерується додаткова поточна інформація (критерії якості), яка впливає на прогнозування майбутніх результатів. Ситуація невизначеності проявляється і внаслідок нечітко розроблених правил обробки та оцінки інформації та при виборі оптимального розв’язку за кількома критеріями в багатокритеріальній оптимізації. Для виходу з цієї ситуації розробляють самоналагоджувальні алгоритми, використовують введення в процесі розв’язання задачі формальних параметрів, за допомогою яких генерується допоміжна поточна інформація, яку неможливо задати у вхідних даних. Також для вирішення ситуації невизначеності використовуються підкласи розв’язних задач, проводиться структуризація еталонної бібліотеки для зведення нерозв’язних задач до розв’язних.Various types of uncertainties that arise when solving semantics problems are considered. Decision theory investigates this situation involving incomplete input, current, and fuzzy information. But uncertainty in the problems of semantics has other manifestations. Its solution is carried out in different ways depending on its types. The problems of this class are related to recognition and when establishing the essence of certain objects, measures of similarity are introduced, which are a subjective assessment. For different measures, the values of the objective functions may differ due to the ambiguity of the result obtained for these functions or the chosen degree of similarity measures, and may not satisfy the purpose of the study. When choosing the result there is a situation of uncertainty. But with some measures of similarity, you can find a global solution. Such problems are divided into subclasses of solvable problems. Since the problems of semantics are reduced to combinatorial optimization problems, in which the argument of the objective function is combinatorial configurations, the situation of uncertainty may be related to the special structure of the set of combinatorial configurations. To solve it, it is necessary to enter several objective functions or to conduct optimization according to several criteria, which are reduced to a weighted criterion (linear convolution). Finding the optimal solution is carried out by self-tuning algorithms taking into account the constant and variable criteria, which are introduced in the process of solving the problem. That is, in the process of the algorithm generates additional current information (quality criteria), which affects the prediction of future results. The situation of uncertainty is manifested both due to developed fuzzy rules of information processing and evaluation and ambiguity in the choice of the optimal solution for several criteria in multicriteria optimization. To get out of this situation, self-tuning algorithms are developed, using the introduction of formal parameters in the process of solving the problem, which generates auxiliary current information that can not be specified in the input data. Also, subclasses of solvable problems are used to solve the situation of uncertainty, the reference library is structured to reduce unsolvable problems to solvable ones.