[论文解读] Extending Term Subsumption systems for Uncertainty Management

John Yen, Piero P. Bonissone|arXiv (Cornell University)|Mar 27, 2013

Semantic Web and Ontologies参考文献 7被引用 7

一句话总结

本文提出了一种统一架构，将术语子类系统（TSS）与近似推理模型相结合，以管理知识库中的不确定性。通过泛化描述性语义并实现演绎推理器与近似推理器之间的双向交互，该方法支持在不确定性下的合理推理，为可扩展、具备不确定性感知能力的知识表示奠定了协同基础。

ABSTRACT

A major difficulty in developing and maintaining very large knowledge bases originates from the variety of forms in which knowledge is made available to the KB builder. The objective of this research is to bring together two complementary knowledge representation schemes: term subsumption languages, which represent and reason about defining characteristics of concepts, and proximate reasoning models, which deal with uncertain knowledge and data in expert systems. Previous works in this area have primarily focused on probabilistic inheritance. In this paper, we address two other important issues regarding the integration of term subsumption-based systems and approximate reasoning models. First, we outline a general architecture that specifies the interactions between the deductive reasoner of a term subsumption system and an approximate reasoner. Second, we generalize the semantics of terminological language so that terminological knowledge can be used to make plausible inferences. The architecture, combined with the generalized semantics, forms the foundation of a synergistic tight integration of term subsumption systems and approximate reasoning models.

研究动机与目标

• 解决将术语子类系统（TSS）与近似推理模型集成以处理大规模知识库中不确定性的挑战。
• 克服以往研究仅关注概率继承的局限，实现更广泛的不确定性管理。
• 设计一种通用架构，明确指定TSS中的演绎推理与近似推理机制之间的交互方式。
• 泛化描述性语言的语义，以支持在不确定性下的合理、非单调推理。
• 建立TSS与近似推理之间的协同、紧密集成，以实现稳健的知识表示。

提出的方法

• 提出一种混合架构，其中演绎性TSS通过明确定义的接口与近似推理器进行交互。
• 通过引入广义语义扩展描述性逻辑，允许在严格子类关系之外进行不确定、合理的推理。
• 引入一种机制，将近似推理中的不确定性传播回TSS，以保持一致性与精确化。
• 采用分层推理模型，其中TSS处理清晰、定义明确的知识，而近似推理器处理不确定、可废止的知识。
• 采用信念修正机制，以调和两个推理组件之间冲突或不确定的推理结果。
• 定义一个正式框架，将描述性定义与不确定性度量相结合，支持在不完整或不精确数据下的推理。

实验结果

研究问题

• RQ1 如何扩展术语子类系统，使其在不损失表达能力或效率的前提下支持不确定性推理？
• RQ2 哪些架构原则能够实现TSS与近似推理模型之间有效且紧密的集成？
• RQ3 如何泛化描述性语言的语义，以支持合理、非单调的推理？
• RQ4 在结合清晰定义与不确定证据时，哪些机制能确保一致性与连贯性？
• RQ5 如何在TSS与近似推理组件之间的接口上实现不确定性的有效传播与管理？

主要发现

• 所提出的架构实现了演绎性TSS与近似推理器之间的双向通信，增强了推理的鲁棒性。
• 广义的描述性语义允许在知识不完整或不确定时进行合理推理。
• 该集成支持非单调推理，使得结论可在新出现的不确定证据面前被撤回或修正。
• 该框架在保持TSS表达能力的同时，以系统化方式扩展了其处理不确定性的能力。
• 该方法为结合定义性知识与不确定、现实世界数据的可扩展知识库提供了基础。
• 该方法支持在需要精确定义与不确定性感知推理的专家系统中的实际部署。