[论文解读] Multi-Context Systems for Reactive Reasoning in Dynamic Environments

Gerhard Brewka, Stefan Ellmauthaler+1 more|arXiv (Cornell University)|May 20, 2015

Logic, Reasoning, and Knowledge参考文献 13被引用 8

一句话总结

本文提出了反应式多上下文系统（rMCSs），作为管理型多上下文系统（mMCSs）的扩展，通过整合传感器数据并管理知识库演化，实现了在实时环境中的持续、动态推理。该工作通过系统运行与均衡语义的形式化框架，解决了在线推理中的关键挑战，如输入不一致、选择性遗忘、注意力控制与计算效率，并对核心决策问题进行了复杂度分析。

ABSTRACT

We show in this paper how managed multi-context systems (mMCSs) can be turned into a reactive formalism suitable for continuous reasoning in dynamic environments. We extend mMCSs with (abstract) sensors and define the notion of a run of the extended systems. We then show how typical problems arising in online reasoning can be addressed: handling potentially inconsistent sensor input, modeling intelligent forms of forgetting, selective integration of knowledge, and controlling the reasoning effort spent by contexts, like setting contexts to an idle mode. We also investigate the complexity of some important related decision problems and discuss different design choices which are given to the knowledge engineer.

研究动机与目标

• 解决传统离线知识表示系统在持续演化、动态环境（如智能家居或监控系统）中的局限性。
• 通过将管理型多上下文系统（mMCSs）扩展为支持传感器输入与基于运行的语义，提出一种支持持续、反应式推理的形式化方法。
• 为在线推理系统中处理不一致的传感器数据、选择性知识遗忘、注意力焦点控制以及计算资源控制，提供系统化机制。
• 通过分析关键决策问题的复杂度并为知识工程师提供设计选择，确保框架在计算上的可处理性。

提出的方法

• 通过将桥接规则泛化以纳入传感器观测，扩展mMCSs，使上下文能够对现实世界数据作出反应。
• 将‘运行’定义为随时间推移的系统状态序列，其中每个状态均由处理新观测并利用管理操作更新信念集而生成。
• 引入管理函数，使上下文能够执行添加、删除或修改知识等操作，从而实现对知识库大小与推理计算量的控制。
• 通过上下文特定的管理策略建模动态遗忘机制，使信息可基于相关性而非固定时间窗口被丢弃。
• 使用均衡语义定义跨上下文的一致信念集，即使在输入不一致或变化时也能保证一致性。
• 在多项式与一般上下文复杂度假设下，分析关键问题（如均衡存在性、查询评估）的计算复杂度。

实验结果

研究问题

• RQ1 如何将管理型多上下文系统扩展以支持在持续传感器输入的动态环境中实现反应式推理？
• RQ2 在线推理系统中，处理不一致或不可靠传感器数据所需的正式机制是什么？
• RQ3 如何动态管理知识库以控制其大小与计算资源消耗，同时不损害推理质量？
• RQ4 反应式多上下文系统中决策问题的复杂度如何？设计选择如何影响可计算性？
• RQ5 在持续推理过程中，如何以系统化方式选择性聚焦注意力并剔除无关信息？

主要发现

• 所提出的反应式多上下文系统（rMCSs）成功将mMCSs扩展为支持传感器集成与基于运行的语义，使真实应用场景中实现持续、动态推理成为可能。
• 该框架通过上下文特定的管理函数支持智能遗忘机制，使信息可基于相关性而非固定时间窗口被丢弃。
• 由于信念集选择或桥接规则中的非确定性，可能产生多个均衡；但可通过偏好选择机制（如弱约束或优化语句）选出最优均衡。
• 对均衡存在性与查询评估问题的复杂度进行了分析：在有限运行中，这些问题仍处于适当的复杂度类（如NP或co-NP）；但在无限观测序列下则变为不可判定。
• 该框架支持过程控制，如将上下文设为空闲模式，从而在长时间运行系统中实现高效的计算资源管理。
• 该方法通过在单一统一的形式化框架中统一知识集成与在线推理，推广了现有的流式推理与信念变迁技术。