論文の概要: SHACL Validation in the Presence of Ontologies: Semantics and Rewriting Techniques

• arxiv url: http://arxiv.org/abs/2507.12286v1
• Date: Wed, 16 Jul 2025 14:38:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-17 22:58:06.101807
• Title: SHACL Validation in the Presence of Ontologies: Semantics and Rewriting Techniques
• Title（参考訳）: オントロジー存在下でのSHACL検証:意味論と書き換え技術
• Authors: Anouk Oudshoorn, Magdalena Ortiz, Mantas Simkus,
• Abstract要約: SHACLは、データを完全として扱う制約言語であり、クローズドワールドの仮定の下で検証する必要がある。 我々は、主要なコアユニバーサルモデルの存在下で、SHACL検証のセマンティクスを提唱する。 非常に単純な機能であっても、EXPTIMEは完全であり、PTIMEはデータ複雑性において完全であることを示す。
• 参考スコア（独自算出の注目度）: 6.882042556551609
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: SHACL and OWL are two prominent W3C standards for managing RDF data. These languages share many features, but they have one fundamental difference: OWL, designed for inferring facts from incomplete data, makes the open-world assumption, whereas SHACL is a constraint language that treats the data as complete and must be validated under the closed-world assumption. The combination of both formalisms is very appealing and has been called for, but their semantic gap is a major challenge, semantically and computationally. In this paper, we advocate a semantics for SHACL validation in the presence of ontologies based on core universal models. We provide a technique for constructing these models for ontologies in the rich data-tractable description logic Horn-ALCHIQ. Furthermore, we use a finite representation of this model to develop a rewriting technique that reduces SHACL validation in the presence of ontologies to standard validation. Finally, we study the complexity of SHACL validation in the presence of ontologies, and show that even very simple ontologies make the problem EXPTIME-complete, and PTIME-complete in data complexity.
• Abstract（参考訳）: SHACLとOWLはRDFデータを管理するための2つの主要なW3C標準である。 OWLは、不完全データから事実を推測するために設計されたもので、オープンワールドの仮定である一方、SHACLは、データを完全として扱い、クローズドワールドの仮定の下で検証しなければならない制約言語である。 両方の形式主義の組み合わせは非常に魅力的であり、求められてきたが、それらの意味的ギャップは、意味的にも計算的にも大きな課題である。 本稿では,コアユニバーサルモデルに基づくオントロジの存在下でのSHACL検証のセマンティクスを提唱する。 本稿では,データ抽出可能な豊富な記述論理Hhorn-ALCHIQを用いて,オントロジーのモデルを構築する手法を提案する。 さらに、このモデルの有限表現を用いて、オントロジーの存在下でのSHACL検証を標準検証に還元する書き換え手法を開発する。 最後に、オントロジーの存在下でのSHACL検証の複雑さについて検討し、非常に単純なオントロジーでもEXPTIME完全であり、PTIME完全であることを示す。

関連論文リスト

• Re:Form -- Reducing Human Priors in Scalable Formal Software Verification with RL in LLMs: A Preliminary Study on Dafny [68.00108157244952]
  強化学習(RL)で訓練された大規模言語モデル(LLM)は、信頼性も拡張性もない、という大きな課題に直面している。 有望だが、ほとんど報われていない代替手段は、フォーマルな言語ベースの推論である。 生成モデルが形式言語空間(例えばダフニー)で機能する厳密な形式体系におけるLLMの接地は、それらの推論プロセスと結果の自動的かつ数学的に証明可能な検証を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T08:13:01Z)
• LaSagnA: Language-based Segmentation Assistant for Complex Queries [39.620806493454616]
  視覚のための大規模言語モデル(vLLM)は、バウンディングボックスやマスクを含む知覚結果を生成する。 本研究では,これらの問題の主な原因が,学習クエリの複雑さの不足であることを認めた。 本稿では,提案フォーマットの直接統合による課題を効果的に解決するための3つの新しい戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-12T14:40:45Z)
• WiCE: Real-World Entailment for Claims in Wikipedia [63.234352061821625]
  We propose WiCE, a new fine-fine textual entailment dataset built on natural claim and evidence pairs from Wikipedia。 標準クレームレベルのエンターメントに加えて、WiCEはクレームのサブ文単位に対するエンターメント判断を提供する。 我々のデータセットの真のクレームは、既存のモデルで対処できない検証と検索の問題に挑戦することを含んでいる。
  論文  参考訳（メタデータ） (2023-03-02T17:45:32Z)
• Relational Action Bases: Formalization, Effective Safety Verification, and Invariants (Extended Version) [67.99023219822564]
  我々はリレーショナルアクションベース(RAB)の一般的な枠組みを紹介する。 RABは両方の制限を解除することで既存のモデルを一般化する。 データ対応ビジネスプロセスのベンチマークにおいて、このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-08-12T17:03:50Z)
• Label-Descriptive Patterns and their Application to Characterizing Classification Errors [31.272875287136426]
  最先端のディープラーニング手法は多くのタスクで人間のようなパフォーマンスを達成するが、それでもエラーを犯す。 これらのエラーを容易に解釈可能な言葉で特徴付けることは、モデルが体系的なエラーを起こす傾向にあるかどうかの洞察を与えるだけでなく、モデルを実行し改善する方法を与える。 本稿では,予測の正しさに応じて分割された入力データを簡潔に記述するパターンの小さなセットをマイニングすることにより,任意の分類器に対して,任意の分類を行うことができる手法を提案する。
  論文  参考訳（メタデータ） (2021-10-18T19:42:21Z)
• Exploring Decomposition for Table-based Fact Verification [18.584226291619217]
  複雑な文を単純なサブプロブレムに分解することで事実検証を改善する。 提案手法は,TabFactベンチマークにおいて,82.7%の精度で最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-09-22T20:15:05Z)
• Toward the Understanding of Deep Text Matching Models for Information Retrieval [72.72380690535766]
  本稿では,既存の深層テキストマッチング手法が情報検索の基本的な勾配を満たすかどうかを検証することを目的とする。 具体的には, 項周波数制約, 項識別制約, 長さ正規化制約, TF長制約の4つの属性を用いる。 LETOR 4.0 と MS Marco の実験結果から,研究対象の深層テキストマッチング手法はすべて,統計学において高い確率で上記の制約を満たすことが示された。
  論文  参考訳（メタデータ） (2021-08-16T13:33:15Z)
• SHACL Satisfiability and Containment (Extended Paper) [6.308539010172308]
  Shapes Constraint Language (SHACL)は、RDFデータを検証するための最近のW3C勧告言語である。 本稿では、SCLと呼ばれる新しい一階述語言語への翻訳を提供することにより、再帰的でないSHACLの異なる特徴を徹底的に研究する。 この論理学におけるSHACLの特徴の相互作用について検討し、上記のSHACLサブ言語に対する決定問題の決定可能性と複雑性の詳細なマップを提供する。
  論文  参考訳（メタデータ） (2020-08-31T14:52:03Z)
• Closed-Form Expressions for Global and Local Interpretation of Tsetlin Machines with Applications to Explaining High-Dimensional Data [7.05622249909585]
  TMモデルが特定の予測を行う理由(局所的解釈可能性)を理解するためのクローズドフォーム表現を提案する。 また、連続した特徴に対する特徴値範囲の重要性を測定するための式も導入する。 分類と回帰については,XGBoost, Explainable Boosting Machines, Neural Additive Modelsと比較し, SHAPとの対応, および競合予測精度を示す。
  論文  参考訳（メタデータ） (2020-07-27T21:47:24Z)

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。