Two approaches for collective learning with language games

Abstract

Bilişsel bilimler alanındaki en son çalışmalar, dilin önemli bir sosyal fonksiyonu olduğunu göstermektedir. Dilin yapısı ve bilgi birikimi, alan genelindeki bilişsel işlemler ile birlikte insanlar arasındaki iletişimden doğmaktadır. Bir topluluktaki her birey sınırlı sayıdaki bireyler ile sosyal etkileşim içerisindedir. Buna rağmen toplumlar kendi içlerindeki geniş çaplı düzenlilikleri ile bilinmektedir. Dili karmaşık adaptif bir sistem olarak ele alarak; dilin zamanla nasıl evrimleştiğini ve değiştiğini gözlemleyebiliriz. Ajan-temelli sayısal simülasyonlar, bilim insanlarının gerçekleştirdiği farklı multidisipliner senaryolar, dilin ortaya çıkışını modelleme için yardımcı olmaktadır. Bu tezde, L. Steels'in isimlendirme oyunları ile ajan temelli simülasyonlarla yaptıklarından esinlenilerek; ajan temelli sistemlerde, nesneleri sınıflandırmak için pek çok simülasyon test edilmiştir. Ajanlar arasındaki etkileşimler sonucunda, dil oyunlarının makineli öğrenme için model birleştirme algoritması olarak kullanılması sonucunda, kategorilerin verimli ve doğruluk oranı yüksek bir biçimde ortaya çıkışı değişik veri setleri ile beraber analiz edilip, tezde sunulmuştur.

Recent studies in cognitive science indicate that language has an important social function. The structure and knowledge of language emerges from the processes of human communication together with the domain-general cognitive processes. Each individual of a community interacts socially with a limited number of peers. Nevertheless societies are characterized by their stunning global regularities. By dealing with the language as a complex adaptive system, we are able to analyze how languages change and evolve over time. Multi-agent computational simulations assist scientists from different disciplines to build several language emergence scenarios. In this thesis several simulations are implemented and tested in order to categorize examples in a test data set efficiently and accurately by using a population of agents interacting by playing categorization games inspired by L. Steels's naming game. The emergence of categories throughout interactions between a population of agents in the categorization games are analyzed. The test results of categorization games as a model combination algorithm with various machine learning algorithms on different data sets have shown that categorization games can have a comparable performance with fast convergence.