論文の概要: Cleaning Inconsistent Data in Temporal DL-Lite Under Best Repair Semantics

• arxiv url: http://arxiv.org/abs/2108.12149v2
• Date: Mon, 30 Aug 2021 07:21:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 10:25:54.779500
• Title: Cleaning Inconsistent Data in Temporal DL-Lite Under Best Repair Semantics
• Title（参考訳）: 修復セマンティックスにおける経時的DLライトの不整合データのクリーニング
• Authors: Mourad Ouziri (LIPADE - EA 2517), Sabiha Tahrat (LIPADE - EA 2517), Salima Benbernou (LIPADE - EA 2517), Mourad Ouzirri
• Abstract要約: 本稿では,時間記述論理(TDL)知識ベースにおける一貫性のないデータ処理の問題に対処する。 本稿では,知識ベースのデータ部分を不整合の原因として考慮し,ABox修復手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we address the problem of handling inconsistent data in Temporal Description Logic (TDL) knowledge bases. Considering the data part of the Knowledge Base as the source of inconsistency over time, we propose an ABox repair approach. This is the first work handling the repair in TDL Knowledge bases. To do so, our goal is twofold: 1) detect temporal inconsistencies and 2) propose a data temporal reparation. For the inconsistency detection, we propose a reduction approach from TDL to DL which allows to provide a tight NP-complete upper bound for TDL concept satisfiability and to use highly optimised DL reasoners that can bring precise explanation (the set of inconsistent data assertions). Thereafter, from the obtained explanation, we propose a method for automatically computing the best repair in the temporal setting based on the allowed rigid predicates and the time order of assertions.
• Abstract（参考訳）: 本稿では,時間記述論理(TDL)知識ベースにおける一貫性のないデータ処理の問題に対処する。 本稿では,知識ベースのデータ部分を不整合の原因として考慮し,ABox修復手法を提案する。 これは、tdlの知識ベースで修復を扱う最初の作業である。 そのために,(1)時間的不整合の検出,2)データ時間的リペアメントの提案という2つの目標を設定した。 不整合検出のために、TDL概念のNP完全上界を厳密に設定し、正確な説明(一貫性のないデータアサーションの集合)をもたらすように高度に最適化されたDL推論器を使用するTDLからDLへの還元アプローチを提案する。 その後、得られた説明から、許容された剛性述語とアサーションの時間順序に基づいて、時間設定における最良の修復を自動的に計算する手法を提案する。

関連論文リスト

• Disperse-Then-Merge: Pushing the Limits of Instruction Tuning via Alignment Tax Reduction [75.25114727856861]
  大規模言語モデル(LLM)は、スーパービジョンされた微調整プロセスの後半で劣化する傾向にある。 この問題に対処するための単純な分散結合フレームワークを導入する。 我々のフレームワークは、一連の標準知識と推論ベンチマークに基づいて、データキュレーションや正規化の訓練など、様々な高度な手法より優れています。
  論文  参考訳（メタデータ） (2024-05-22T08:18:19Z)
• Fact Checking Beyond Training Set [64.88575826304024]
  本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。 本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。 次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
  論文  参考訳（メタデータ） (2024-03-27T15:15:14Z)
• Dated Data: Tracing Knowledge Cutoffs in Large Language Models [47.987664966633865]
  LLMの資源レベルの時間的アライメントに有効なカットオフを推定するための簡単な手法を提案する。 効果的なカットオフは、報告されたカットオフとしばしば異なります。 提案手法は,(1)非自明なデータ量によるCommonCrawlデータの時間的偏りと,(2)意味的重複と語彙的近接重複を含むLLM重複の重複という2つの原因を明らかにした。
  論文  参考訳（メタデータ） (2024-03-19T17:57:58Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• Better patching using LLM prompting, via Self-Consistency [5.892272127970584]
  自己整合性(Self-Consistency, S-C)は、問題の説明を生成する上で、エキサイティングで極めて優れたテクニックである。 本稿では,修正作業のコミットログを説明として,S-C手法のプログラム修復への応用について述べる。 我々は,MODITデータセット上で,プログラムの修正を促そうとする従来のアプローチを破って,最先端の成果を得た。
  論文  参考訳（メタデータ） (2023-05-31T18:28:46Z)
• Towards Bridging the Gaps between the Right to Explanation and the Right to be Forgotten [14.636997283608414]
  説明の権利は、個人がアルゴリズム上の決定に対して実行可能な説明を要求することを可能にする。 忘れられる権利は、組織のすべてのデータベースやモデルからデータを削除するよう要求する権利を与える。 両原理間の緊張を解決するための最初のアルゴリズム的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-02-08T19:03:00Z)
• Supporting Vision-Language Model Inference with Confounder-pruning Knowledge Prompt [71.77504700496004]
  視覚言語モデルは、オープンセットの視覚概念を扱うために、画像とテキストのペアを共通の空間に整列させることで事前訓練される。 事前訓練されたモデルの転送可能性を高めるため、最近の研究では、固定または学習可能なプロンプトが採用されている。 しかし、どのようにして、どのプロンプトが推論性能を改善するのかは、まだ不明である。
  論文  参考訳（メタデータ） (2022-05-23T07:51:15Z)
• Second-Order Specifications and Quantifier Elimination for Consistent Query Answering in Databases [0.0]
  本稿では, 補修プログラムを用いて一貫した問合せ応答の問題を w.r.t の推論問題に変換する方法を示す。 また, 2次量子化器の除去手法を適用して, 代わりに1次理論を得る方法も検討した。
  論文  参考訳（メタデータ） (2021-08-19T01:06:01Z)
• Automated Reasoning in Temporal DL-Lite [65.9825143048822]
  本稿では,時間的DL-Lite(TDL-Lite)知識ベース(KB)に対する自動推論の実現可能性について検討する。 我々は,TDL-Lite KB の満足度を確認するために,市販の推論器を用いてテストする。 TDL-Lite KB の使用を現実的なものにするために,グラフィカルなインタフェースを備えた本格的なツールを提案する。
  論文  参考訳（メタデータ） (2020-08-17T16:40:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。