[論文レビュー] Direct computation of diagnoses for ontology debugging

Kostyantyn M. Shchekotykhin, Philipp Fleiß+2 more|arXiv (Cornell University)|Sep 5, 2012

Semantic Web and Ontologies参考文献 11被引用数 3

ひとこと要約

本稿では、矛盾集合の生成を回避する直接診断計算アプローチを提案し、オントロジーのマッチングや学習で一般的に生じる多数の故障を含むオントロジーにおいて、効率的な診断を実現する。逆ヘッティングセットおよびQuickXPlainアルゴリズムを用いることで、従来の手法と同等またはそれ以上の性能を達成しており、特に従来のモデルベース診断が矛盾集合が多すぎて失敗する状況でも有効である。

ABSTRACT

Modern ontology debugging methods allow efficient identification and localization of faulty axioms defined by a user while developing an ontology. The ontology development process in this case is characterized by rather frequent and regular calls to a reasoner resulting in an early user awareness of modeling errors. In such a scenario an ontology usually includes only a small number of conflict sets, i.e. sets of axioms preserving the faults. This property allows efficient use of standard model-based diagnosis techniques based on the application of hitting set algorithms to a number of given conflict sets. However, in many use cases such as ontology alignment the ontologies might include many more conflict sets than in usual ontology development settings, thus making precomputation of conflict sets and consequently ontology diagnosis infeasible. In this paper we suggest a debugging approach based on a direct computation of diagnoses that omits calculation of conflict sets. Embedded in an ontology debugger, the proposed algorithm is able to identify diagnoses for an ontology which includes a large number of faults and for which application of standard diagnosis methods fails. The evaluation results show that the approach is practicable and is able to identify a fault in adequate time.

研究の動機と目的

• 大規模な矛盾集合を含むオントロジーのデバッグにおいて、標準的なモデルベース診断のスケーラビリティの限界を克服すること。
• オントロジーのマッチングや学習システムから生成される多くの故障を効率的にデバッグできること。
• 最小矛盾集合の計算コストの高い事前計算を回避する直接診断計算手法の開発。
• オラクルベースの精錬と統合された診断識別技術を用いて、対話型デバッグを可能にすること。
• 数千の公理を含む大規模で現実的なオントロジーにおいて、本手法の実現可能性と性能を示すこと。

提案手法

• 標準的なモデルベース診断パイプラインの逆転により、直接診断を計算する幅優先探索アルゴリズムであるInv-HS-Treeを導入。
• 矛盾集合の計算を回避する直接診断アルゴリズムであるInv-QuickXPlainを採用。
• ヘッティングセットに基づくアプローチを用い、最小矛盾集合を事前に計算せずに最小診断を同定。
• オラクルを用いた診断識別を支援するため、クエリ選択戦略（エントロピーおよびスプリットインハーフ）を適用。
• オントロジーのマッチングシステムからの信頼度スコアに基づき、過去の故障確率を維持し、有望な診断を優先。
• 最大n個の上位診断について反復的に診断計算を実行することで、診断空間の効率的探索を可能に。

実験結果

リサーチクエスチョン

• RQ1 直接診断計算により、オントロジーのデバッグにおいて最小矛盾集合の事前計算を回避できるか？
• RQ2 故障密度の高いオントロジーにおいて、直接診断の性能は標準的なモデルベース診断と比べてどうか？
• RQ3 直接アプローチは、オラクルクエリを用いた診断識別を対話型デバッグでサポートできるか？
• RQ4 数千の公理を含む大規模で現実的なオントロジーにおいて、直接診断手法のスケーラビリティはいかがなものか？
• RQ5 マッチングシステムからの信頼度スコアの使用が、診断選択の効率を向上させるか？

主な発見

• ベンチマークデータにおいて、本手法は平均25秒で最小診断1つを計算し、既存のグリーディシステムと同等の性能を達成。
• 解剖学問題からの不充足なオントロジーにおいて、本手法は平均40秒でターゲット診断を同定。
• エントロピーに基づくクエリ選択戦略では、Inv-HS-Treeが標準的なHS-Treeを複数のケースで上回った。
• エントロピー測度は、オントロジーマッチャーからの信頼度値を活用することで、スプリットインハーフを上回る性能を示した。
• 最大11,545個の公理を含むオントロジーにおいても正常に診断が可能であり、大規模な環境でのスケーラビリティを実証。
• 矛盾集合の事前計算が非現実的となる状況でも、本手法は標準的手法と同等またはより優れた性能を維持した。