Experimentos com Percepções do Ambiente Simulado

Para avaliar qualitativamente o emprego dos métodos propostos no Módulo de Associação, foi preparado um caso de estudo, no qual foi simulada uma sessão onde o agente descrito no Capítulo4observa e interage com os objetos do ambiente simulado detalhado na Seção4.2. Para estes testes foi considerado o tabuleiro exibido na Figura4.1, incluindo os objetos mostrados. O agente repete a seguinte sequência de ações predeterminadas para fazê-lo explorar os objetos presentes no tabuleiro: (1) pega um objeto do tabuleiro, escolhido aleatoriamente; (2) observa sua própria mão e cada célula do tabuleiro (incluindo as vazias), processando as percepções recebidas; (3) solta o objeto em uma posição vazia do tabuleiro escolhida aleatoriamente; e (4) repete o passo (2) agora sem nenhum o objeto em sua mão, e retorna ao passo (1).

Ao repetir esta sequência de ações, o agente receberá do ambiente um fluxo de percepções, construídas conforme exposto no Capítulo4. As percepções do ambiente simulado, foram definidas de forma que sua representação possa ser diretamente correlacionada com os objetos e propriedades do ambiente, por esse motivo, não há a necessidade da etapa de processamento realizada pelo Módulo de Representação. Além disso, o contexto não será levado em conside- ração nesta análise. Portanto, as percepções do ambiente serão enviadas diretamente para um mapa DSSOM, composto de uma grade de 13x13 nodos, o qual estará realizando o papel do Módulo de Associação.

Ao final de 100 iterações de exploração do ambiente acompanhado do processamento das percepções pelo DSSOM, os agrupamentos formados nos nodos da grade foram analisados. O foco da análise se concentrou nos agrupamentos das percepções de cor, forma e localização, procurando identificar nodos que respondam por conceitos como “vermelho”, “quadrado” e “célula A1” e por nodos que respondam por objetos específicos como “quadrado azul” e “triângulo amarelo”.

O mapa perceptivo mostrado na Figura 7.10 ilustra um caso típico dos agrupamentos formados pelo DSSOM. O padrão de ativação é mostrado em níveis de cinza, no fundo da parte externa de cada retângulo. Este padrão foi produzido após a apresentar nas entradas do mapa das percepções de um triângulo azul situado na célula E1. Note que a região em torno do nodo (1,5) foi a mais ativada, sendo este o nodo vencedor para o padrão.

Observando os padrões de ativação apresentado pelos nodos do mapa (Figura 7.11e Fi- gura7.12) para diferentes percepções, constatam-se regiões que reconhecem determinados conceitos:

Figura 7.10 Mapa perceptivo formado pelo agente após a exploração do ambiente. Cada retângulo representa um nodo da grade. Os retângulos são desenhados com a informação de cor armazenada nos nodos. As letras C, F e L representam, respectivamente, as percepções de cor, forma e localização e o nível de branco de cada letra é diretamente proporcional à relevância média dos atributos relacionados com a respectiva percepção, e o nível de cinza do fundo da parte externa de cada retângulo representa o nível de ativação do nodo. O ponto branco, nodo (1,5), destaca o vencedor da última competição.

Regiões Identificadas

(i) Alguns nodos se ativam fortemente para objetos específicos, reconhecendo simultaneamente forma, cor e tamanho, sendo que para todos os objetos trei- nados o nodo vencedor codificava a mesma cor, forma e tamanho do objeto apresentado;

(ii) Alguns nodos se ativam sempre que algumas características perceptivas são for- necidas, por exemplo, sempre que um objeto de determinada cor é apresentado. Estes nodos em geral apresentam níveis de ativação em média mais baixo que os anteriores;

(iii) Um conjunto de nodos na parte central do mapa criou um padrão com ativação sutil, mapeando as regiões do tabuleiro, como centro, parte inferior esquerda, inferior direita, superior esquerda e superior direita. Esse padrão de ativação permite localizar a percepção apresentada em alguma região do tabuleiro.

(a) Círculo Amarelo em A2 (b) Círculo Verde em A5

(c) Quadrado Amarelo em B4 (d) Quadrado Azul em C5

(e) Triângulo Vermelho em D1 (f) Triângulo Azul em E4

(g) Hexágono Vermelho em C3 (h) Hexágono Verde em B5

Figura 7.11 Padrões de ativação formados pelo mapa, ao fornecer como entrada as percepções dos objetos indicados abaixo de cada figura.

(a) Célula vazia em A1 (b) Célula vazia em A5

Figura 7.12 Padrões de ativação formados pelo mapa ao fornecer como entrada as percepções de células vazias indicadas abaixo de cada figura.

Então, uma análise cuidadosa dos padrões de ativação produzidos pelo mapa foi realizada com diferentes tipos de estímulos. Exemplos destes padrões de ativação são exibidos na Figura7.11e na Figura7.12. Esta análise permitiu identificar diversas regiões nas quais ocorre o reconhecimento de conceitos (Figura7.13).

Figura 7.13 Regiões de reconhecimento de forma, cor e localização.

A localização das células do tabuleiro parece ser a característica mais difícil de aprender, pois as variações da ativação entre os nodos são sutis. Em geral, o primeiro vencedor da competição para a percepção de um objeto representa simultaneamente a forma e cor do objeto, segundo e

terceiro vencedores representam apenas a forma ou apenas a cor, só a partir de então os nodos que representam a localização do objeto aparecem na lista de vencedores. Isso provavelmente ocorre devido a pequena quantidade de atributos (2) que são utilizados para representar a posição das células do tabuleiro em relação às demais características analisadas (3 atributos para cor e 5 atributos para forma). Observa-se ainda uma grande quantidade de nodos representando células vazias do tabuleiro (cor cinza, e forma indefinida).

Uma outra dificuldade do mapa parece ser a junção de regiões com reconhecimento se- melhante. Por exemplo, diversas regiões do tabuleiro reconhecem objetos vermelhos de tipos diferentes (canto superior direito e na região central do mapa). Isto provavelmente ocorre devido a topologia fixa do mapa.

Com isso, pode-se concluir que o DSSOM é capaz de encontrar as correlações entre percepções de origens distintas para formar conceitos relacionados com propriedades e objetos do ambiente simulado.

7.5

Conclusão

Neste capítulo foi apresentado o Módulo de Associação. O problema de reconhecimento de conceitos foi definido em termos de agrupamentos em subespaços, e então, os métodos de melhor desempenho na literatura de mineração de dados foram estudados. No entanto, foi visto que estes métodos não oferecem diversas características necessárias para a implementação do Módulo de Associação, como a aprendizagem incremental, a produção de protótipos e a geração de níveis de ativação. Estas características estão presentes em alguns dos mapas auto- organizáveis apresentados na literatura. Mas, apesar de alguns mapas baseados em SOM terem sido aplicados com sucesso em problemas de agrupamento, ainda não haviam sido aplicados para o problema de agrupamento em subespaços, e os testes realizados neste capítulo com os métodos tradicionais, de fato mostraram que da maneira como foram propostos, não eram adequados para esta finalidade.

Sendo assim, dois novos mapas foram propostos, o DSSOM e o LARFDSSOM. Ambos foram capazes de competir e até mesmo superar os métodos atuais da mineração de dados e de visão computacional, tanto em conjuntos de dados reais quanto em conjuntos de dados simulados, apresentando bons resultados mesmo em situações de alta dimensionalidade ou com níveis elevados de ruído.

Os resultados obtidos com dados reais sugerem que os métodos propostos são de aplicação bastante abrangente, uma característica desejável para o problema de agrupamento de percepções. Com relação aos dados simulados, o LARFDSSOM foi capaz de produzir resultados quase perfeitos para a maioria dos conjuntos de dados. Isto significa, que para estes conjuntos

ele identificou corretamente o número de grupos e suas respectivas dimensões relevantes. Em oposição, o DSSOM se mostrou mais robusto à presença de dimensões irrelevantes nos conjuntos de dados.

A dinâmica introduzida no LARFDSSOM para encontrar grupos é realizada através da inserção de nodos quando necessário, ajustando as suas posições ou removendo os nodos que não foram capazes de formar um grupo. Esse mecanismo oferece uma forma de aprendizagem construtiva dos padrões do espaço de entrada e oferece uma boa relação entre exploração e explotação do espaço de busca. Além disso, no LARFDSSOM, uma conexão entre dois nodos significa que eles agrupam padrões que residem em subespaços semelhantes das dimensões de entrada. Porém, esta conexão não leva em conta a distância entre os nodos no espaço de entrada. Melhorar este aspecto em futuras versões pode levar a uma representação da topologia de dados ainda mais adequada.

Para efeitos de visualização de dados, o DSSOM se mostra bastante útil, devido à possibili- dade da utilização de uma topologia bidimensional fixa. Este característica auxiliou na análise do reconhecimento de percepções, permitindo estudar os agrupamentos formados e identificar como as percepções de origens distintas puderam ser combinadas de diferentes maneiras para representar conceitos correlacionados com elementos do ambiente.

Ou seja, o DSSOM foi capaz de identificar as propriedades mais relevantes de cada percepção e agrupá-las de maneira adequada. Adicionalmente, o modelo permite que mais de um nodo seja treinado com um determinado estímulo. Isto cria a possibilidade de mais de um nodo responder e agrupar uma dada percepção, caso reconheçam características distintas.

Assim sendo, os conceitos aprendidos pelo DSSOM podem permitir que um agente seja capaz de reconhecer diversos elementos do ambiente tais como posições e objetos, com caracte- rísticas gerais ou específicas.

Apesar de o LARFDSSOM não ter sido avaliado sobre o ponto de vista do agrupamento de percepções, espera-se que ele apresente resultados ainda melhores quando aplicado para este fim, uma vez que ele se mostrou superior em praticamente todos os experimentos em que os dois métodos propostos foram comparados.

Os padrões de ativação e os protótipos armazenados nos nodos vencedores para os estí- mulos de entrada podem ser então utilizados como saída do Módulo de Associação e contém informação útil, a qual pode ser utilizada pelo Módulo V para representar o ambiente sensoreado.

Porém, os métodos propostos ainda não foram avaliados considerando-se a informação léxica e contextual, que são fundamentais para o reconhecimento de linguagem natural. O Capítulo seguinte é inteiramente dedicado a esta tarefa. Nele, os Módulos de I a IV funcionam de forma integrada com o objetivo de modelar padrões de aprendizagem de palavras e associação com objetos apresentados por humanos.

8