[论文解读] Uncertainty in Ontologies: Dempster-Shafer Theory for Data Fusion Applications

Amandine Bellenger, Sylvain Gatepaille|arXiv (Cornell University)|Jun 20, 2011

Semantic Web and Ontologies参考文献 8被引用 26

一句话总结

本文提出了一种基于Dempster-Shafer理论的本体扩展方法，用于在数据融合应用中建模不确定性。通过将信任函数集成到本体结构中，该方法借助自定义的Java应用程序实现了对不确定实例的推理，为处理不完整或冲突的传感器数据提供了一种灵活的替代方案，优于概率和模糊方法。

ABSTRACT

Nowadays ontologies present a growing interest in Data Fusion applications. As a matter of fact, the ontologies are seen as a semantic tool for describing and reasoning about sensor data, objects, relations and general domain theories. In addition, uncertainty is perhaps one of the most important characteristics of the data and information handled by Data Fusion. However, the fundamental nature of ontologies implies that ontologies describe only asserted and veracious facts of the world. Different probabilistic, fuzzy and evidential approaches already exist to fill this gap; this paper recaps the most popular tools. However none of the tools meets exactly our purposes. Therefore, we constructed a Dempster-Shafer ontology that can be imported into any specific domain ontology and that enables us to instantiate it in an uncertain manner. We also developed a Java application that enables reasoning about these uncertain ontological instances.

研究动机与目标

• 为解决传统本体在表示传感器数据和融合系统中不确定性方面的局限性。
• 开发一个正式框架，将不确定性建模直接整合到本体结构中。
• 提供一种解决方案，克服现有概率、模糊和证据理论方法在数据融合背景下的不足。
• 通过信任函数实现对不确定本体实例的推理，特别适用于存在冲突或不完整数据的情况。
• 通过原型Java应用程序实现并验证该方法，以在特定领域本体中实现实际应用。

提出的方法

• 通过引入Dempster-Shafer信任结构扩展标准本体，以表示不确定的事实和证据。
• 定义本体实体与质量函数之间的正式映射，使不确定性能够附加到实例上。
• 在推理过程中使用Dempster-Shafer组合规则，融合来自多个来源的证据。
• 设计一种模块化本体扩展，可导入任意特定领域本体中。
• 开发基于Java的推理引擎，支持使用信任函数理论对不确定本体实例进行推理。
• 采用信任函数框架表示部分或冲突的证据，避免对精确概率的依赖。

实验结果

研究问题

• RQ1 如何在本体模型中正式表示传感器数据和融合过程中的不确定性？
• RQ2 现有概率和模糊方法在为数据融合建模不确定性方面存在哪些局限性？
• RQ3 Dempster-Shafer理论能否有效集成到本体中，以支持现实应用中的不确定推理？
• RQ4 在本体环境中，如何使用信任函数组合来自多个来源的证据？
• RQ5 用于对不确定本体实例进行推理的软件原型在可行性和有效性方面如何？

主要发现

• 所提出的基于Dempster-Shafer的本体扩展方法通过将信任函数嵌入本体实例，成功地在数据融合中建模了不确定性。
• 该框架能够在不依赖精确概率的情况下，表示不完整、冲突或不精确的证据。
• 将信任函数集成到本体中，使得推理比传统的概率或模糊方法更具表现力和灵活性。
• 已实现一个功能性的Java应用程序，用于演示对不确定本体实例的推理，验证了该方法的可行性。
• 该方法具有模块化和可重用性，可被导入任意特定领域本体中，用于支持不确定性感知的推理。
• 该方法为处理传感器数据融合中的不确定性提供了实用解决方案，尤其适用于数据不一致或不完整的情况。