[論文レビュー] Distributing Knowledge into Simple Bases

Adrian Haret, Jean-Guy Mailly+1 more|arXiv (Cornell University)|Mar 31, 2016

Logic, Reasoning, and Knowledge参考文献 16被引用数 3

ひとこと要約

本稿では、任意の知識ベースを、1CNF、2CNF、Hornなどの単純な断片（例：1CNF、2CNF、Horn）に分解し、特定の演算子を用いて再統合することで元の知識を再構築できる「知識の分散可能性」の概念を導入する。主な発見は、ドライアス距離に基づく再統合が断片間で完全な分散可能性を実現可能である一方、ハミング距離に基づく演算子は断片および集約関数に依存してその能力が変動し、2CNFおよびHorn断片では特定の演算子下で非自明な分散が可能である。

ABSTRACT

Understanding the behavior of belief change operators for fragments of classical logic has received increasing interest over the last years. Results in this direction are mainly concerned with adapting representation theorems. However, fragment-driven belief change also leads to novel research questions. In this paper we propose the concept of belief distribution, which can be understood as the reverse task of merging. More specifically, we are interested in the following question: given an arbitrary knowledge base $K$ and some merging operator $Δ$, can we find a profile $E$ and a constraint $μ$, both from a given fragment of classical logic, such that $Δ_μ(E)$ yields a result equivalent to $K$? In other words, we are interested in seeing if $K$ can be distributed into knowledge bases of simpler structure, such that the task of merging allows for a reconstruction of the original knowledge. Our initial results show that merging based on drastic distance allows for an easy distribution of knowledge, while the power of distribution for operators based on Hamming distance relies heavily on the fragment of choice.

研究の動機と目的

• 任意の知識ベースが、再統合によって元の知識を再構築できるような単純な論理的断片に分解可能かどうかを調査すること。
• ドライアス距離およびハミング距離に基づく信念再統合演算子の性能を、制限された断片内のプロファイルから任意の知識を再構築する観点から分析すること。
• 知識の分散に関する理論的・実用的意義、例えば制限付き論理システムにおける情報の隠蔽やストレージ制約を探索すること。
• 1CNF、2CNF、Hornなどの断片において、さまざまな再統合演算子の下で分散可能性および単純化の限界を特定すること。

提案手法

• 知識の分散可能性を形式化するフレームワークを提案し、知識ベース K がプロファイル E と整合性制約 μ を用いて再統合演算子 Δμ を介して再構築される仕組みを定式化する。
• 整合性制約を伴うIC-再統合を用い、再構築の妥当性をモデル同値性（Δμ(E) ≡ K）を用いて評価する。
• ドライアス距離（ΔD）およびハミング距離（ΔH）に基づく再統合演算子を、3種類の集約関数（Σ、GMax、GMin）を用いて適用する。
• モデル理論的分析を用いて、解釈間の距離と知識ベースのモデル間の距離を比較し、選択された距離尺度に従って最小限の変更が行われることを保証する。
• 具体的なケースの再構築を示すために、ターゲット断片（例：Horn表現可能なKB）における知識ベースの明示的プロファイルを構築する。
• モデル構造（例：対比較不能性、部分集合関係）に基づくケース分析を通じて、分散可能性または限界の証明を行う。

実験結果

リサーチクエスチョン

• RQ1 任意の知識ベースを、再統合によって元の知識を再構築できるような単純な論理的断片に分割可能か？
• RQ2 再統合演算子の選択（特にドライアス距離またはハミング距離に基づくもの）が、断片間での知識の分散可能性に与える影響は何か？
• RQ3 1CNF、2CNF、Hornなどの断片の中で、どの断片が完全な分散可能性を達成可能であり、どの断片が部分的または自明なケースに限られるか？
• RQ4 特定の再統合演算子を用いて、知識を単一のより単純な知識ベースに単純化（分散）可能か？
• RQ5 集約関数（Σ、GMax、GMin）が、再統合演算子の知識分散能力を決定づける役割を果たすか？

主な発見

• ドライアス距離に基づく再統合（ΔD）を用いた知識の分散可能性は、1CNF、2CNF、Hornを含むすべての断片において任意の知識ベースで可能である。
• ハミング距離に基づく再統合とΣ集約（ΔH,Σ）では、2CNFおよびHorn断片でのみ完全な分散可能性が達成可能であり、1CNFでは不可能である。
• ΔH,GMaxおよびΔH,GMinでは2CNFでの分散可能性は可能であるが、1CNFでは不可能であり、Hornでは限定的であり、完全なカバーは得られない。
• 1CNFおよび2CNFではΔD下での単純化（単一の知識ベースへの分散）は自明なケースに限られるが、一般には達成不可能である。
• 2CNFでは、適切な再統合演算子を用いることで、任意の知識ベースを分散および単純化可能であり、高い表現力を持つことが示された。
• 結果として、再統合演算子の動作は距離尺度および集約関数に依存し、一様な分類は不可能であることが明らかになった。