[论文解读] Implementing Integrity Constraints in an Existing Belief Revision System

Frances L. Johnson, Stuart C. Shapiro|ArXiv.org|Mar 8, 2000

Logic, Reasoning, and Knowledge参考文献 16被引用 5

一句话总结

本文扩展了 SNePS 中的 SNeBR 信念修正子系统，通过在非演绎封闭的信念空间中应用完整性约束，实现了信念不一致的自动解决。它引入了一种基于可信度、共现性与支持频率的加权决策机制，以选择损失最小的信念删除策略，在无需完全演绎闭包的情况下，成功解决了动态现实世界知识库中的矛盾。

ABSTRACT

SNePS is a mature knowledge representation, reasoning, and acting system that has long contained a belief revision subsystem, called SNeBR. SNeBR is triggered when an explicit contradiction is introduced into the SNePS belief space, either because of a user's new assertion, or because of a user's query. SNeBR then makes the user decide what belief to remove from the belief space in order to restore consistency, although it provides information to help the user in making that decision. We have recently added automatic belief revision to SNeBR, by which, under certain circumstances, SNeBR decides by itself which belief to remove, and then informs the user of the decision and its consequences. We have used the well-known belief revision integrity constraints as a guide in designing automatic belief revision, taking into account, however, that SNePS's belief space is not deductively closed, and that it would be infeasible to form the deductive closure in order to decide what belief to remove. This paper briefly describes SNeBR both before and after this revision, discusses how we adapted the integrity constraints for this purpose, and gives an example of the new SNeBR in action.

研究动机与目标

• 解决在现实世界中非演绎封闭的知识库中实现信念修正的挑战，其中完全闭包不可行。
• 将理论上的完整性约束——一致性、包含性、最小信息损失与最小变化——适应于实际的有限信念系统中使用。
• 设计并实现一种自动信念修正（autoBR）机制，以在不一致解决过程中选择对信念空间影响最小的信念进行删除。
• 将来源可信度与命题支持频率整合到信念修正决策过程中，以提升系统的鲁棒性与可靠性。
• 通过允许新断言撤回先前持有的信念，使原本使用单调相关逻辑的系统实现非单调行为。

提出的方法

• 将 Gärdenfors 与 Rott 提出的四个完整性约束适配于演绎开放信念空间（DOBS），其中不保证演绎闭包。
• 实施三重启发式方法用于嫌疑信念选择：(1) 可信度最低的假设（基于来源可信度），(2) 共现频率最高的假设（支持多个矛盾），(3) 支持节点最少的假设（最小化结构影响）。
• 使用正向推理检测信念更新后的矛盾，触发 SNeBR 的自动修正过程。
• 维护一个带有显式来源与可信度标注的动态信念空间，支持信念与来源可信度的运行时更新。
• 将信念修正过程集成到 SNePS 现有的信念修正子系统（SNeBR）中，在保持用户控制的同时，实现在特定条件下的自主决策。
• 在涉及多个来源关于智力与聪明性普遍化冲突的多源、不一致知识库上评估系统，使用来自多个来源的真实世界断言。

实验结果

研究问题

• RQ1 如何将理论上的信念修正完整性约束适配于现实世界中非演绎封闭的信念系统？
• RQ2 在无法实现完全演绎闭包的情况下，可采用何种启发式方法选择最优信念进行删除？
• RQ3 如何将来源可信度与命题支持频率整合到自动信念修正中，以提升决策质量？
• RQ4 自动信念修正确实如何在原本保持单调性的系统中引入非单调行为？
• RQ5 系统能否同时检测并解决多个不一致集合？若能，如何高效地优先处理删除操作？

主要发现

• 系统成功检测到信念更新后由推导命题引发的矛盾（例如，SMART(FRAN) 与 ~SMART(FRAN)），并触发自动修正过程。
• 在首次矛盾中，系统基于可信度与支持频率，选择并删除了可信度最低的命题 WFF12（女性不聪明），作为嫌疑信念。
• 在涉及新推导的第二次矛盾中，系统再次基于相同的三项启发式方法删除了 WFF10（肌肉男不聪明），展示了决策的一致性。
• 通过使用可信度、共现性与支持频率启发式方法，系统避免了过度删除（例如，未在仅一个集合需要收缩时删除 B），从而提升了效率。
• 系统实现了非单调行为：添加新信念 WFF22 导致先前持有的信念 WFF10 被撤销，尽管系统底层逻辑仍保持单调性。
• 该方法在无需完全演绎闭包的前提下，有效解决了不一致问题，在保持一致性的同时，最大限度减少了有限实时系统中的信息损失。