[論文レビュー] Morphologic for knowledge dynamics: revision, fusion, abduction

Isabelle Bloch, Jérôme Lang+2 more|arXiv (Cornell University)|Feb 14, 2018

Logic, Reasoning, and Knowledge参考文献 35被引用数 6

ひとこと要約

本稿では、数学的形状学を用いて命題論理における知識動態のための新しい枠組みを提示する。膨張と収縮の操作を用いて信念修正、統合、帰納的推論をモデル化する。意味論的根拠に基づき、計算が容易で、強い合理性の性質を満たす演算子を提供し、これらを共通の形態的形式的枠組みで統一することで、直感的で整合性のある推論結果を保証する。

ABSTRACT

Several tasks in artificial intelligence require to be able to find models about knowledge dynamics. They include belief revision, fusion and belief merging, and abduction. In this paper we exploit the algebraic framework of mathematical morphology in the context of propositional logic, and define operations such as dilation or erosion of a set of formulas. We derive concrete operators, based on a semantic approach, that have an intuitive interpretation and that are formally well behaved, to perform revision, fusion and abduction. Computation and tractability are addressed, and simple examples illustrate the typical results that can be obtained.

研究の動機と目的

• 命題論理における知識動態のタスク（修正、統合、帰納的推論）を、数学的形状学を用いて統一的な意味論的枠組みとして開発すること。
• 形態的演算に基づく、計算が容易で直感的に解釈可能な信念修正、統合、帰納的推論のための演算子を提供すること。
• 提案された演算子が、信念動態における既知の公理（例：AGM、整合性制約、合理性公理）と整合する望ましい合理性および一貫性の性質を満たすように保証すること。
• 既存の演算子が形態的枠組み内で回復可能または拡張可能であることを示し、知識表現のための汎用ツールボックスを提供すること。

提案手法

• 命題論理式のモデル集合に膨張と収縮の操作を適用し、割合の測定としてハミング距離を割当値間の近接度として用いる。
• 信念修正を、新しい観測と整合するまで信念集合を膨張することで定義し、最も近い整合的モデルまでの距離を最小化する。
• 複数の知識源の同時膨張として統合をモデル化し、すべてのソースまでの距離の総和を最小化することで、一貫性のある妥協解を得る。
• 反復的収縮を用いて知識ベースの中心的または安定した部分を抽出し、最小の説明を特定することで帰納的推論を可能にする。
• モデルのラティス理論的形態的枠組みを用い、構造要素が膨張と収縮のための近接関係を定義する。
• 形態的演算から導かれるモデル上の事前順序関係を導入し、修正と帰納的推論を同一の意味論的基盤で統一する。

実験結果

リサーチクエスチョン

• RQ1 数学的形状学は、意味的演算子を用いて命題論理における信念修正をどのようにモデル化できるか？
• RQ2 膨張と収縮といった形態的演算は、統合や統合のための直感的で合理的な解を提供できるか？
• RQ3 収縮を用いて最小の説明や中心的な説明を抽出する手段として、帰納的推論をどの程度形式化できるか？
• RQ4 形態的演算子は、既存の信念動態の公理（例：AGM、整合性制約、合理性公理）とどのように関係するか？
• RQ5 形態的演算子の計算的性質は何か？どのような条件下で計算が容易になるか？

主な発見

• 形態的枠組みは、膨張と収縮を用いて信念修正、統合、帰納的推論のための統一的な意味論的基盤を提供し、合理性と整合性のある結果を保証する。
• 膨張に基づく提案された修正演算子は、新しい観測と整合するように、元の信念集合を新しい情報の最も近いモデルに向かって拡張することで、一貫性を達成する。
• 統合は複数のソースの同時膨張としてモデル化され、すべてのソースまでの距離の合計を最小化する解が得られ、一貫性のある妥協解が得られる。
• 帰納的推論は反復的収縮によって捉えられ、論理式のモデルに対する最後の空でない収縮が、最も中心的または最小の説明を示す。
• E-反射性と固定点収束といった重要な性質が枠組みで保証され、論理式の最後の収縮は繰り返し適用に対しても固定点となる。
• ハミング距離と有限なモデル空間を仮定することで、計算が容易になる条件が得られる。