[論文レビュー] Learning Vague Concepts for the Semantic Web

Paolo Pareti, Ewan Klein|arXiv (Cornell University)|Oct 19, 2014

Semantic Web and Ontologies参考文献 32被引用数 3

ひとこと要約

本稿では、記述論理における調整可能な数値アダプタを用いてオントロジー内の曖昧な概念をモデル化するVAGOというシステムを提案する。これにより、オントロジーの進化中に不整合の自動学習および局所的修復が可能になる。しきい値を学習可能なパラメータとして扱うことで、'近い'や'高価'といった動的な曖昧な概念が学習公理を通じて動的に更新され、目標しきい値に96%の精度で適合し、最適値からのずれが最小限に抑えられる。

ABSTRACT

Ontologies can be a powerful tool for structuring knowledge, and they are currently the subject of extensive research. Updating the contents of an ontology or improving its interoperability with other ontologies is an important but difficult process. In this paper, we focus on the presence of vague concepts, which are pervasive in natural language, within the framework of formal ontologies. We will adopt a framework in which vagueness is captured via numerical restrictions that can be automatically adjusted. Since updating vague concepts, either through ontology alignment or ontology evolution, can lead to inconsistent sets of axioms, we define and implement a method to detecting and repairing such inconsistencies in a local fashion.

研究の動機と目的

• セマンティックウェブで使用される形式的オントロジーにおける曖昧な概念—たとえば'近い'や'高価'—を表現し、進化させる課題に対処すること。
• 静的で曖昧なまたは確率的モデルの限界を克服し、曖昧さを動的で学習可能な性質としてモデル化すること。
• オントロジーの整合性や進化中に曖昧な概念を更新する際の不整合を検出・解消すること。
• 公理を削除するのではなくアダプタ値を変更する手法を開発し、修復中に意味的整合性を保持すること。

提案手法

• 曖昧な概念は、'高価'の例で言えば'コスト > X'のようなDL公理におけるしきい値を表すメタ変数（アダプタ）としてモデル化される。
• システムは、訓練公理に対するオントロジーの妥当性を検証することで、反復的にアダプタ値を調整する学習メカニズムを用いる。
• 元の公理と訓練公理を組み合わせた際の不整合は、ずれとして解釈され、しきい値の値の的確な適応を促す。
• 学習中に外れ値の影響を軽減するためにシグモイド関数が適用される。
• この手法はOWL 2および記述論理の範囲内で動作し、データ型制約と基数制約を用いて曖昧な概念を表現する。
• 修復は、公理を削除せずにアダプタ値を変更することで局所的に行われ、新しい知識の保持が保証される。

実験結果

リサーチクエスチョン

• RQ1 形式的オントロジーにおける曖昧な概念を、文脈に応じた動的で適応可能な方法で表現するにはどうすればよいか？
• RQ2 「近い」や「高価」のような曖昧な概念のしきい値を自動で学習するメカニズムは何か？
• RQ3 オントロジーの更新に起因する不整合は、公理を破棄せずにどのように検出し、解消できるか？
• RQ4 訓練データを用いて曖昧な概念定義を進化させることで、2つのオントロジーをどの程度正確に一致させられるか？

主な発見

• 'CloseDistance'の最終的なアダプタ値は、正しい値から標準偏差の4%しかずれておらず、学習の高精度を示している。
• 'profitable'（書店の数）のアダプタは、正しい値から標準偏差の162%ずれており、収束性の改善の余地があることを示唆している。
• シグモイド関数の適用により、外れ値の影響がアダプタの進化に与える影響が著しく低減された。
• 公理を削除せずにアダプタ値を変更することで、不整合が効果的に修復され、意味的コンテンツが保持された。
• シミュレーションにより、VAGOが訓練データに合わせて曖昧な概念定義を進化させ、拡張に基づくオントロジー整合性を向上させられることを示した。
• 本手法により、曖昧な概念を有するオントロジーの整合的で段階的な進化が可能となり、硬直的または破壊的な修復戦略の欠点を回避できる。