[论文解读] Morphologic for knowledge dynamics: revision, fusion, abduction

Isabelle Bloch, Jérôme Lang+2 more|arXiv (Cornell University)|Feb 14, 2018

Logic, Reasoning, and Knowledge参考文献 35被引用 6

一句话总结

本文提出了一种基于数学形态学的命题逻辑知识动态新框架，通过膨胀和腐蚀操作建模信念修正、融合与归因。该框架提供语义基础坚实、计算可行的算子，具备强理性属性，将这些任务统一于同一形态学形式体系下，确保推理结果直观且行为良好。

ABSTRACT

Several tasks in artificial intelligence require to be able to find models about knowledge dynamics. They include belief revision, fusion and belief merging, and abduction. In this paper we exploit the algebraic framework of mathematical morphology in the context of propositional logic, and define operations such as dilation or erosion of a set of formulas. We derive concrete operators, based on a semantic approach, that have an intuitive interpretation and that are formally well behaved, to perform revision, fusion and abduction. Computation and tractability are addressed, and simple examples illustrate the typical results that can be obtained.

研究动机与目标

• 开发一个统一的语义框架，用于命题逻辑中的知识动态任务——修正、融合与归因，基于数学形态学。
• 基于形态学操作，提供计算可行且直观可解释的信念修正、融合与归因算子。
• 确保所提出的算子满足理想的理性与一致性属性，与信念动态中的既定公理一致。
• 证明现有算子可在形态学框架中被恢复或扩展，为知识表示提供一个通用工具箱。

提出的方法

• 将膨胀和腐蚀操作应用于命题公式的模型集合，使用汉明距离作为赋值之间的接近度度量。
• 将信念修正定义为对信念集进行膨胀，直至与新观察一致，同时最小化与最近一致模型的距离。
• 将融合建模为对多个知识源的同步膨胀，以寻找一致的折中方案，最小化与所有源的总距离。
• 通过迭代腐蚀提取知识库中最核心或最稳定的部分，实现通过识别最小解释来完成归因。
• 在模型上采用格论形态学框架，结构元素定义膨胀和腐蚀的邻域关系。
• 引入基于形态学操作的模型预序关系，将修正与归因统一于同一语义基础之上。

实验结果

研究问题

• RQ1 如何将数学形态学适配于使用语义算子建模命题逻辑中的信念修正？
• RQ2 膨胀和腐蚀等形态学操作能否为信念融合与合并提供直观且理性的解决方案？
• RQ3 在多大程度上可使用腐蚀操作来形式化归因，以提取最核心或最小的解释？
• RQ4 形态学算子与信念动态中的现有公理（如AGM、完整性约束、理性公理）有何关联？
• RQ5 形态学算子的计算特性是什么？在何种条件下它们具有计算可行性？

主要发现

• 该形态学框架通过膨胀和腐蚀操作，为信念修正、融合与归因提供了统一的语义基础，确保了理性和行为良好的推理结果。
• 基于膨胀的修正算子通过将原始信念集向新信息的最近模型扩展，实现与新观察的一致性。
• 融合被建模为对多个源的同步膨胀，解通过最小化与所有源的距离总和获得，形成一致的折中方案。
• 通过迭代腐蚀捕捉归因，其中公式模型的最后一次非空腐蚀产生最核心或最小的解释。
• 该框架确保了关键属性，如E-自反性与不动点收敛性，公式最后一次腐蚀在重复应用下为不动点。
• 在特定假设下，该方法可实现计算上的可行性，特别是当使用汉明距离和有限模型空间时。