[论文解读] Repairing Inconsistent Databases: A Model-Theoretic Approach and Abductive Reasoning

Ofer Arieli, Marc Denecker+2 more|ArXiv.org|Jul 25, 2002

Logic, Reasoning, and Knowledge参考文献 30被引用 3

一句话总结

本文提出了一种模型论框架和一种归结推理方法，通过识别保留一致信息的最小模型来修复不一致的数据库。它利用SLDNFA归结法证明了归结求解器（A-system）的可靠性和完备性，以计算恢复一致性的插入和删除操作，提供了一种统一且表达性强的数据集成方法，无需语法嵌入或外部偏好策略。

ABSTRACT

In this paper we consider two points of views to the problem of coherent integration of distributed data. First we give a pure model-theoretic analysis of the possible ways to `repair' a database. We do so by characterizing the possibilities to `recover' consistent data from an inconsistent database in terms of those models of the database that exhibit as minimal inconsistent information as reasonably possible. Then we introduce an abductive application to restore the consistency of a given database. This application is based on an abductive solver (A-system) that implements an SLDNFA-resolution procedure, and computes a list of data-facts that should be inserted to the database or retracted from it in order to keep the database consistent. The two approaches for coherent data integration are related by soundness and completeness results.

研究动机与目标

• 解决在保留一致性的同时集成具有不一致数据的分布式数据库的挑战。
• 通过识别最小模型以最小化不一致信息，为数据库修复提供形式化的模型论分析。
• 开发一种归结推理系统，以计算精确的数据修改操作（插入/删除）以恢复一致性。
• 通过可靠性和完备性结果，建立模型论修复与归结解之间的正式联系。
• 提供一种通用且表达性强的框架用于数据集成，避免语法嵌入和外部偏好机制。

提出的方法

• 本文使用模型论将数据库修复表征为包含最少不一致信息的不一致数据库的最小模型。
• 提出一种基于SLDNFA归结法的归结求解器（A-system），用于计算为恢复一致性而需插入或删除的数据事实集合。
• 该方法采用两种优化策略：≤i-最大一致性和≤c-最大一致性模型，引导归结过程趋向优选修复。
• 将经典归谬程序与归结逻辑相结合，推广了二值语义，无需扩展或嵌入。
• 通过三值逻辑的真值近似定义修复语义，实现对不一致部分的精确定位。
• 该框架支持正事实和负事实，并可未来扩展至时态、事务性及定义性数据。

实验结果

研究问题

• RQ1 如何基于最小模型论原则从不一致数据库中恢复一致数据？
• RQ2 何种归结推理机制可系统性地计算插入和删除操作以恢复数据库一致性？
• RQ3 如何通过可靠性和完备性结果，正式建立归结修复过程与模型论修复之间的联系？
• RQ4 所提出的方法在何种程度上推广了经典逻辑，且无需语法嵌入或偏好策略？
• RQ5 该框架如何扩展以处理不完整或冲突的信息，包括负事实和时态数据？

主要发现

• 模型论方法将数据库修复识别为最小模型，以最小化不一致信息，为一致数据恢复提供了形式化语义。
• 归结求解器（A-system）成功利用SLDNFA归结法计算修复操作（插入和删除），确保正确性和完备性。
• 在归结修复过程与模型论语义之间建立了可靠性和完备性，验证了该方法的有效性。
• 该方法比现有系统更具表达性，因为它避免了语法嵌入和对二值语义的扩展。
• 该框架自然支持三值语义以处理不一致性，实现对冲突数据的检测与定位。
• 该方法可扩展以包含定义、负事实以及时态或事务性数据，为未来增强提供了基础。