[논문 리뷰] Learning Vague Concepts for the Semantic Web

Paolo Pareti, Ewan Klein|arXiv (Cornell University)|2014. 10. 19.

Semantic Web and Ontologies참고 문헌 32인용 수 3

한 줄 요약

이 논문은 설명 논리에서 조정 가능한 수치적 어댑터를 사용하여 온톨로지 내의 모호한 개념을 모델링하는 VAGO 시스템을 제안한다. 이는 온톨로지 진화 과정 중에 자동으로 학습하고 국소적으로 모순을 복구할 수 있도록 한다. 임계값을 학습 가능한 파라미터로 간주함으로써 VAGO는 '가까운'이나 '비싼'과 같은 개념을 학습 축약자에 의해 동적으로 업데이트하며, 최적 값에서 최소한의 편차로 목표 임계값에 96%의 정확도로 적응한다.

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.

연구 동기 및 목표

• 의미 웹에서 사용되는 형식적 온톨로지 내에서 '근처'나 '비싼'과 같은 모호한 개념을 표현하고 진화시키는 데 도전하는 것.
• 정적 퍼지 또는 확률 모델의 한계를 극복하기 위해 모호성을 동적이고 학습 가능한 성질로 모델링하는 것.
• 온톨로지 정렬 또는 진화 과정에서 모호한 개념을 업데이트할 때 발생하는 모순을 탐지하고 해결하는 것.
• 축약자 값을 수정하는 방법을 개발함으로써 축약자 축약을 삭제하지 않고도 의미적 무결성을 유지하는 것.

제안 방법

• 모호한 개념은 설명 논리 축약자에서 임계값을 나타내는 메타변수인 어댑터를 사용하여 모델링된다. 예를 들어 '비용 > X'는 '비싼'을 나타낸다.
• 시스템은 온톨로지를 학습 축약자에 대해 검증함으로써 어댑터 값을 반복적으로 조정하는 학습 메커니즘을 사용한다.
• 기존 축약자와 학습 축약자를 조합함으로써 발생하는 모순은 일치하지 않는 것으로 간주되며, 이는 임계값을 대상으로 한 적응을 유도한다.
• 학습 과정에서 이상치의 영향을 줄이기 위해 시그모이드 함수가 적용된다.
• 이 방법은 OWL 2와 설명 논리 내에서 작동하며, 데이터 유형 및 기수 제약 조건을 사용하여 모호한 개념을 표현한다.
• 수리 과정은 축약자를 삭제하지 않고 어댑터 값을 수정함으로써 국소적으로 수행되어 새로운 지식의 유지 보장을 보장한다.

실험 결과

연구 질문

• RQ1 형식적 온톨로지 내의 모호한 개념을 어떻게 표현할 수 있을까? 이는 동적이고 맥락에 민감한 적응을 가능하게 해야 한다.
• RQ2 어떤 메커니즘이 '가까운'이나 '비싼'과 같은 모호한 개념의 임계값을 자동으로 학습할 수 있게 하는가?
• RQ3 축약자를 삭제하지 않고도 온톨로지 업데이트에서 발생하는 모순을 어떻게 탐지하고 해결할 수 있는가?
• RQ4 학습 데이터를 통해 모호한 개념 정의를 진화시킴으로써 두 온톨로지를 어느 정도로 일치시킬 수 있는가?

주요 결과

• 최종 어댑터 값이 'CloseDistance'의 정확한 값과 표준편차의 4% 이내로 차이가 나, 높은 정확도로 학습된 것으로 나타났다.
• '수익성 있는'(책방 수) 어댑터의 값은 정확한 값으로부터 표준편차의 162% 정도 벗어나 있어 수렴 성능 향상 여지가 있음을 시사한다.
• 시그모이드 함수를 사용함으로써 이상치 데이터 포인트가 어댑터 진화에 미치는 영향을 성공적으로 줄였다.
• 축약자를 삭제하지 않고 어댑터 값을 수정함으로써 모순을 효과적으로 수리하였으며, 의미적 내용을 유지하였다.
• 시뮬레이션 결과 VAGO는 학습 데이터에 맞게 모호한 개념 정의를 진화시킬 수 있었고, 확장 기반 온톨로지 일치를 향상시켰다.
• 이 방법은 끊김 없이 일관된 진화를 가능하게 하여, 딱딱하거나 파괴적인 복구 전략의 단점을 피할 수 있다.