Applying Answer Set Programming with Fuzzy Membership Functions: a Case Study

Sintesi Tecnica: Applicazione della Programmazione con Insiemi di Risposte con Funzioni di Appartenenza Fuzzy

Problema
Il documento affronta la sfida di integrare i dati numerici, spesso derivati da modelli di machine learning (ML), con il ragionamento qualitativo guidato dagli esperti. Mentre il ML eccelle nell'estrarre pattern da dati non strutturati, i suoi output sono spesso difficili da interpretare e sottoporre ad audit. Al contrario, i framework di ragionamento simbolico (come la Programmazione con Insiemi di Risposte, o ASP) offrono trasparenza ma faticano a gestire la natura continua, rumorosa e dipendente dal contesto dei dati reali. Gli approcci tradizionali per colmare questo divario si affidano spesso a soglie rigide per mappare i valori numerici in categorie qualitative (ad es. "alto" o "basso"), portando a un comportamento fragile in cui piccole variazioni di input causano cambiamenti bruschi e poco intuitivi nei risultati. Gli autori mirano a sviluppare un framework che supporti il ragionamento robusto sotto incertezza, evitando soglie rigide e utilizzando invece valori di verità graduati basati su dati numerici.

Metodologia: Framework FLASP
Gli autori propongono un nuovo estensione fuzzy qualitativa e basata su etichette della Programmazione con Insiemi di Risposte, chiamata FLASP (Answer Set Programming with Fuzzy Membership Functions). Questo framework è un'estensione diretta della classica ASP a due valori, consentendo l'integrazione fluida di predicati crisp (netti) e fuzzy.

• Sintassi e Semantica:

  • Predicati: I predicati sono arricchiti con un insieme di etichette linguistiche (ad es. economico, costoso, piccolo, grande). Ogni predicato $p$ è associato a una terna $\langle \Lambda_p, M_p, \Sigma_p \rangle$, dove $\Lambda_p$ è l'insieme delle etichette, $M_p$ è una famiglia di funzioni di appartenenza e $\Sigma_p$ è una collezione di S-norme.
  • Funzioni di Appartenenza: I predicati di input (EDB) utilizzano funzioni di appartenenza ($\mu_\ell$) per mappare gli input numerici in gradi di appartenenza nell'intervallo $[0, 1]$. Queste funzioni possono essere derivate dall'esperienza nel dominio o dal machine learning. I predicati derivati (IDB) sono vincolati da profili di verità ammissibili ($\gamma_p$), che definiscono combinazioni semanticamente coerenti di gradi di verità attraverso diverse etichette, prevenendo assegnazioni inconsistenti (ad es. un oggetto non può essere contemporaneamente "veloce" e "lento" con un alto grado di appartenenza).
  • Regole di Ragionamento: Il linguaggio utilizza regole Datalog fuzzy dove le condizioni del corpo sono aggregate tramite T-norme (ad es. min, prodotto) e i valori di verità derivati sono propagati tramite S-norme. La negazione è gestita tramite funzioni decrescenti (ad es. negatore di Łukasiewicz).
  • Inferenza: Il sistema impiega un algoritmo di iterazione del punto fisso (Algoritmo 1) per calcolare il modello minimo per programmi $\gamma$-monotoni. Una caratteristica chiave è il meccanismo di $\gamma$-propagazione: se viene derivato un valore di verità per un'etichetta, il profilo di verità ammissibile inferisce automaticamente valori coerenti per le altre etichette correlate, garantendo la coerenza semantica.

• Architettura Ibrida:
  Il framework supporta una pipeline neuro-simbolica in cui:

  1. Livello Sub-simbolico: Modelli di ML (ad es. autoencoder per il rilevamento delle anomalie, fuzzy k-means clustering) generano caratteristiche numeriche e gradi iniziali di appartenenza.
  2. Livello Simbolico: Le regole FLASP elaborano questi input graduati, applicando la logica definita dagli esperti per derivare concetti qualitativi di livello superiore.
  3. Livello Decisionale: Il framework supporta una transizione "da fuzzy a crisp". I predicati possono possedere sia un'etichetta continua (ad es. livello_fuzzy) che un'etichetta binaria (ad es. crisp). La funzione di appartenenza per l'etichetta crisp agisce come una funzione a gradino (soglia), permettendo al sistema di prendere decisioni deterministiche (ad es. scartare vs mantenere) basate sul sottostante ragionamento fuzzy senza script di defuzzificazione esterni.

Caso di Studio: Controllo Qualità Industriale
La metodologia è istanziata in un caso di studio riguardante il rilevamento dei danni in una linea di produzione di viti, utilizzando il dataset MVTec.

• Input: Il sistema elabora immagini di viti utilizzando AE-XAD (un metodo di rilevamento delle anomalie spiegabile) per generare mappe di calore delle anomalie e il clustering fuzzy k-means per caratterizzare i difetti per area, eccentricità, intensità del colore, distanza e solidità.
• Logica: Un insieme di regole ($\Pi_{control}$) valuta la gravità delle anomalie e le classifica come difetti funzionali o estetici.
  • I difetti funzionali (ad es. teste delle viti mancanti) attivano regole specifiche basate sulla bassa solidità o sull'alta distanza dal centro.
  • I difetti estetici sono identificati da un'alta solidità e profili specifici di colore/distanza.
• Azioni: In base alla gravità inferita e al tipo di difetto, il sistema determina le azioni: scartare, riparare (internamente o esternamente), o scontare.
• Valutazione: Gli autori dimostrano la capacità del sistema di gestire input ambigui. Ad esempio, in un caso di "anomalia da manipolazione frontale", il sistema inferisce correttamente un'alta gravità e un difetto funzionale, portando a una decisione crisp di scarto. In un caso di "anomalie da graffio", il sistema identifica correttamente difetti estetici a bassa gravità, indirizzandoli verso l'auto-riparazione piuttosto che allo scarto.

Contributi Chiave

1. Istanziazione di FLASP: Il documento fornisce un'istanza concreta del proposto framework fuzzy qualitativo ASP in uno scenario realistico di rilevamento dei danni industriali.
2. Pipeline di Ragionamento Integrata: Progetta e prototipa una pipeline completa che integra le funzioni di appartenenza basate sui dati (dal ML) con l'inferenza qualitativa basata su regole.
3. Transizione Fuzzy-to-Crisp: Dimostra come il framework gestisca naturalmente la transizione dal ragionamento fuzzy continuo alle azioni booleane deterministiche attraverso vincoli semantici e profili di appartenenza, eliminando la necessità di post-elaborazioni ad hoc.

Risultati e Significato
Il documento afferma che il framework riesce a colmare il divario tra gli output numerici del ML e il ragionamento simbolico. I risultati del caso di studio mostrano che il sistema può:

• Mitigare il Rumore del ML: Il livello simbolico, attraverso i vincoli semantici e i profili di verità, corregge comportamenti semanticamente non intuitivi spesso presenti negli output grezzi del ML (ad es. assegnare gradi non nulli a etichette contraddittorie).
• Garantire l'Interpretabilità: L'uso di etichette linguistiche e regole dichiarative consente agli esperti del dominio di codificare la conoscenza in modo naturale, rendendo il processo decisionale tracciabile e fondato su assunzioni esplicite.
• Mantenere la Robustezza: Il sistema evita la fragilità delle soglie rigide. Piccole variazioni nell'input risultano in cambiamenti fluidi e graduati negli esiti piuttosto che in bruschi cambi di stato.

Gli autori sottolineano che, sebbene le proprietà formali del linguaggio siano dettagliate in un lavoro complementare, l'importanza di questo articolo risiede nel dimostrare l'efficacia pratica dell'approccio. Esso consente una modellazione robusta ed espressiva di processi decisionali del mondo reale dove la conoscenza degli esperti, i fattori contestuali e le interpretazioni soggettive devono essere unificati all'interno di un unico setting dichiarativo. Il lavoro evidenzia che il linguaggio è un'estensione diretta della classica ASP, assicurando che, quando vengono utilizzati solo predicati crisp, il sistema ritorna precisamente alla semantica standard degli Insiemi di Risposte.