[論文レビュー] Heuristic Ranking in Tightly Coupled Probabilistic Description Logics

Thomas Lukasiewicz, María Vanina Martínez+2 more|arXiv (Cornell University)|Oct 16, 2012

Semantic Web and Ontologies参考文献 20被引用数 11

ひとこと要約

本稿は、不確実性下での意味ウェブ推論を可能にするために、Markov Logic Networks (MLNs) を用いた EL++ の密結合型確率的拡張を提案する。確率的推論結果の順序付けを、完全な計算が不可能であっても誤差の上限と正しさの保証を伴って行える、任意のタイミングで実行可能なヒューリスティックアルゴリズムを導入し、知識グラフにおけるスケーラブルな不確実性対応推論を実現する。

ABSTRACT

The Semantic Web effort has steadily been gaining traction in the recent years. In particular,Web search companies are recently realizing that their products need to evolve towards having richer semantic search capabilities. Description logics (DLs) have been adopted as the formal underpinnings for Semantic Web languages used in describing ontologies. Reasoning under uncertainty has recently taken a leading role in this arena, given the nature of data found on theWeb. In this paper, we present a probabilistic extension of the DL EL++ (which underlies the OWL2 EL profile) using Markov logic networks (MLNs) as probabilistic semantics. This extension is tightly coupled, meaning that probabilistic annotations in formulas can refer to objects in the ontology. We show that, even though the tightly coupled nature of our language means that many basic operations are data-intractable, we can leverage a sublanguage of MLNs that allows to rank the atomic consequences of an ontology relative to their probability values (called ranking queries) even when these values are not fully computed. We present an anytime algorithm to answer ranking queries, and provide an upper bound on the error that it incurs, as well as a criterion to decide when results are guaranteed to be correct.

研究の動機と目的

• 意味ウェブのオントロジーにおける不確実性下での推論の課題に取り組むこと、特に不完全または不確実なデータを含む大規模な知識グラフに対して。
• Markov Logic Networks (MLNs) を用いて EL++ 述語論理を確率的意味論に拡張し、論理式と確率的付与の間の密結合を実現すること。
• 完全な確率的計算が不可能な場合でも、帰結の確率に基づいて順序付けを行う、効率的で任意のタイミングで実行可能な推論を支援すること。
• 誤差の上限と正しさの基準を用いた理論的保証を通じて、順序付け結果の正確性についての保証を提供すること。

提案手法

• 本稿は、Markov Logic Networks (MLNs) を EL++ の確率的意味論として統合し、論理式内での確率的付与を可能にする。
• オントロジー内のオブジェクトを参照できる確率的重みを有する、密結合型言語を定義する。これにより、より洗練された不確実性モデリングが可能になる。
• 推定確率に基づいて原子的帰結の順序付けを計算する、任意のタイミングで実行可能なアルゴリズムを提案する。結果は段階的に改善される。
• ヒューリスティックな推定を用いてより確率の高い帰結を優先処理し、順序付けの誤差を制限するメカニズムを備える。
• 現在の順序付けがどの程度正確に保証できるかを判断する正しさの基準を確立する。
• 完全な確率的推論を回避しつつも効率的な順序付けを可能にする、MLN の部分言語を活用する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、オントロジーにおける論理式と確率的付与の間の密結合を確率的記述論理に拡張できるか？
• RQ2 完全な確率的計算が行えない状況下でも、不確実性下での論理的帰結の効率的かつ任意のタイミングで実行可能な順序付けを実現する技術は何か？
• RQ3 密結合型確率的記述論理におけるヒューリスティック順序付けに対して、どの程度の誤差の上限を提供できるか？
• RQ4 順序付けアルゴリズムの結果が、どの条件下で正確であることが保証できるか？
• RQ5 正確性とスケーラビリティを維持しながら、このようなシステムにおける推論の複雑さをどのように管理できるか？

主な発見

• 提案手法は、誤差の上限が保証された密結合型確率的記述論理における論理的帰結のヒューリスティック順序付けを可能にする。
• 任意のタイミングで実行可能なアルゴリズムは、段階的により良い順序付けを提供し、早期に停止しても上位の帰結に対する信頼性を維持できる。
• 現在の順序付けが追加計算なしに正確であると保証できる正しさの基準が確立された。
• 完全な確率的計算を回避することで、大規模な知識グラフにおけるスケーラブルな推論を実現する。
• 不確実性が本質的であり、正確な推論が非効率的な現実世界の意味ウェブのシナリオに本手法は適用可能である。
• 理論的解析により、確率が完全に計算されていなくても、誤差が有界に保たれることを示した。