[논문 리뷰] Direct computation of diagnoses for ontology debugging

Kostyantyn M. Shchekotykhin, Philipp Fleiß외 2명|arXiv (Cornell University)|2012. 09. 05.

Semantic Web and Ontologies참고 문헌 11인용 수 3

한 줄 요약

이 논문은 갈등 집합 생성을 생략하는 온톨로지 디버깅을 위한 직접 진단 계산 방법을 제안한다. 이는 온톨로지 매칭 또는 학습 과정에서 흔히 발생하는 다수의 결함을 포함한 온톨로지에서 효율적인 진단을 가능하게 한다. 역 히팅 세트 및 QuickXPlain 알고리즘을 활용함으로써, 기존 기법과 비교해 유사하거나 더 우수한 성능을 달성하며, 특히 전통적인 모델 기반 진단이 갈등 집합 수가 과도하게 많아져 실패하는 경우에도 유용하다.

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.

연구 동기 및 목표

• 대규모 갈등 집합을 포함하는 온톨로지 디버깅 상황에서 표준 모델 기반 진단의 확장성 한계를 해결하기 위해.
• 종종 다수의 결함을 생성하는 온톨로지 매칭 또는 학습 시스템에서 생성된 온톨로지를 효율적으로 디버깅할 수 있도록 하기 위해.
• 최소 갈등 집합을 계산하는 계산 비용이 큰 사전 처리 과정을 피하는 직접 진단 계산 방법을 개발하기 위해.
• 오라클 기반 정밀화를 위한 진단 식별 기법과 통합하여 상호작용식 디버깅을 지원하기 위해.
• 수천 개의 공리를 포함한 실제 대규모 온톨로지에서 이 방법의 타당성과 성능을 입증하기 위해.

제안 방법

• 표준 모델 기반 진단 파이프라인의 반대로 작동하는 직접 진단을 계산하기 위해 너비 우선 탐색 알고리즘인 Inv-HS-Tree를 도입한다.
• 갈등 집합 계산을 피하기 위해 진단 후보에서 역행하는 방식으로 작동하는 직접 진단 알고리즘인 Inv-QuickXPlain을 활용한다.
• 최소 갈등 집합을 먼저 계산하지 않고도 최소 진단을 식별하기 위해 히팅 세트 기반 접근법을 사용한다.
• 오라클을 활용한 상호작용식 진단 정밀화를 이끄는 데 사용하는 질의 선택 전략(엔트로피 및 반으로 나누기)을 적용한다.
• 온톨로지 매칭 시스템에서 제공하는 신뢰도 점수를 기반으로 이전 결함 확률을 유지하여 가능성이 높은 진단을 우선순위에 두기 위해.
• 진단 공간 탐색을 효율적으로 수행하기 위해 최대 n개의 상위 진단에 대해 진단 계산을 반복 실행한다.

실험 결과

연구 질문

• RQ1 직접 진단 계산이 온톨로지 디버깅에서 최소 갈등 집합의 사전 계산이 필요 없도록 할 수 있는가?
• RQ2 고결함 밀도를 가진 온톨로지에서 직접 진단의 성능이 표준 모델 기반 진단과 비교해 어떻게 되는가?
• RQ3 직접 방법이 오라클 질의를 활용한 진단 식별을 위한 상호작용식 디버깅을 지원할 수 있는가?
• RQ4 수천 개의 공리를 포함한 실제 대규모 온톨로지에서 직접 진단 방법의 확장성은 어떠한가?
• RQ5 매칭 시스템에서 제공하는 신뢰도 점수의 사용이 진단 선택 효율성을 향상시키는가?

주요 결과

• 기준 데이터에서 직접 진단 방법은 평균 25초 만에 최소 하나의 진단을 계산했으며, 기존의 그레디 시스템과 유사한 성능을 보였다.
• 해부 문제에서의 불일관성 있는 온톨로지에서, 이 방법은 평균 40초 만에 목표 진단을 식별했다.
• 특히 엔트로피 기반 질의 선택 전략에서, Inv-HS-Tree는 표준 HS-Tree보다 우수한 성능을 보였다.
• 엔트로피 측정법은 온톨로지 매처에서 제공하는 신뢰도 값을 활용함으로써 반으로 나누기 전략을 능가하는 성능을 보였다.
• 최대 11,545개의 공리를 포함한 온톨로지에서도 성공적으로 진단을 수행하여 대규모 환경에서의 확장성을 입증했다.
• 갈등 집합 사전 계산이 비현실적인 경우에도, 표준 기법과 비교해 유사하거나 더 우수한 성능을 유지했다.