[论文解读] Encoding Markov Logic Networks in Possibilistic Logic

Ondřej Kuželka, Jesse Davis+1 more|ORCA Online Research @Cardiff (Cardiff University)|Jun 3, 2015

Bayesian Modeling and Causal Inference参考文献 27被引用 4

一句话总结

本文提出一种将马尔可夫逻辑网络（MLNs）编码为可能性逻辑理论的方法，精确捕捉最大后验概率（MAP）推理结果。该方法针对特定类型的证据引入两种紧凑编码技术，使MLN的假设、预测及潜在错误得以透明解读，适用于可解释性与知识库调试。

ABSTRACT

Markov logic uses weighted formulas to compactly encode a probability distribution over possible worlds. Despite the use of logical formulas, Markov logic networks (MLNs) can be difficult to interpret, due to the often counter-intuitive meaning of their weights. To address this issue, we propose a method to construct a possibilistic logic theory that exactly captures what can be derived from a given MLN using maximum a posteriori (MAP) inference. Unfortunately, the size of this theory is exponential in general. We therefore also propose two methods which can derive compact theories that still capture MAP inference, but only for specific types of evidence. These theories can be used, among others, to make explicit the hidden assumptions underlying an MLN or to explain the predictions it makes.

研究动机与目标

• 为解决马尔可夫逻辑网络（MLNs）的可解释性挑战，其中权重具有反直觉的含义，且单个公式在孤立状态下难以理解。
• 通过构建一个与MLN的MAP推理结果完全一致的可能性逻辑理论，弥合概率性MLNs与定性可能性逻辑之间的鸿沟。
• 开发MLN到可能性逻辑的紧凑编码，保留对受限证据类型（如最多k个文字的集合）的MAP推理正确性，克服完整编码的指数级规模问题。
• 实现可能性逻辑在解释MLN预测、揭示隐藏假设及检测MLNs中结构或权重相关错误方面的实际应用。
• 通过透明的逻辑重构识别不一致性和非预期后果，为未来MLN修复工作奠定基础。

提出的方法

• 从MLN M构建一个完整的可能性逻辑理论 Θ_M，使得M中的MAP推理与Θ_M中的可能性逻辑推理完全对应，使用概率-可能性转换方法。
• 提出两种新颖方法，生成保留特定证据类型（如最多k个文字的集合）正确MAP推理的紧凑底层可能性逻辑理论。
• 利用未展开MLNs中的对称性，将其中一种紧凑编码方法提升为一阶可能性逻辑理论，实现在关系结构上的可扩展推理。
• 利用所得的可能性逻辑理论执行逻辑推理，揭示可能世界的隐含排序，使MLN行为透明且可分析。
• 将编码过程应用于真实世界示例，展示其如何揭示非预期后果，如冲突或反直觉的推论。
• 利用可能性理论作为诊断工具，通过分析推导出的逻辑结论，验证、解释或调试MLN结构与权重。

实验结果

研究问题

• RQ1 能否构建一个可能性逻辑理论，使其推理结果与给定马尔可夫逻辑网络的MAP推理结果完全一致？
• RQ2 此类完整编码的结构与计算限制为何？能否通过优化使其适用于实际应用？
• RQ3 能否推导出保留受限证据类型（如小规模文字集合）正确MAP推理的紧凑可能性逻辑理论？
• RQ4 如何利用未展开MLNs中的对称性，将紧凑编码方法扩展至一阶逻辑？
• RQ5 所得的可能性逻辑理论在在多大程度上可用于解释、验证或调试MLN的假设与预测？

主要发现

• 可从任意MLN M构建一个完整的可能性逻辑理论 Θ_M，使得M中的MAP推理在逻辑上等价于Θ_M中的推理，确保语义保真度。
• 完整编码 Θ_M 的规模在M中公式数量上呈指数增长，因此在大规模应用中不切实际。
• 提出两种紧凑编码方法，可保留特定证据类型（如小规模文字集合）的正确MAP推理，显著减小理论规模。
• 其中一种紧凑编码方法成功提升至一阶层次，实现对关系型MLNs的可扩展推理。
• 通过这些方法推导出的可能性逻辑理论可用于解释MLN预测、揭示隐藏假设，并检测非预期的逻辑后果。
• 该方法支持对MLN的诊断分析，如识别不一致或错误的权重分配，并为自动化MLN修复开辟道路。