論文の概要: Incremental, inconsistency-resilient reasoning over Description Logic Abox streams
- arxiv url: http://arxiv.org/abs/2603.01799v1
- Date: Mon, 02 Mar 2026 12:30:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.867014
- Title: Incremental, inconsistency-resilient reasoning over Description Logic Abox streams
- Title（参考訳）: Description Logic Abox ストリームによるインクリメンタル,不整合性-弾力性推論
- Authors: Cas Proost, Pieter Bonte,
- Abstract要約: データストリームに対する推論は、特にデータの高速化、推論のリアルタイム要件、ストリームのノイズと揮発性の性質など、複数の課題を提起する。
本稿では,Description Logic ABoxesのストリームに対する漸進的推論のための新しい意味論を提案する。
- 参考スコア（独自算出の注目度）: 0.6015898117103068
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: More and more, data is being produced in a streaming fashion. This has led to increased interest into how actionable insights can be extracted in real time from data streams through Stream Reasoning. Reasoning over data streams raises multiple challenges, notably the high velocity of data, the real time requirement of the reasoning, and the noisy and volatile nature of streams. This paper proposes novel semantics for incremental reasoning over streams of Description Logic ABoxes, in order to tackle these challenges. To address the first two challenges, our semantics for reasoning over sliding windows on streams allow for incrementally computing the materialization of the window based on the materialization of the previous window. Furthermore, to deal with the volatile nature of streams, we present novel semantics for inconsistency repair on such windows, based on preferred repair semantics. We then detail our proposed semi-naive algorithms for incremental materialization maintenance in the case of OWL2 RL, both in the presence of inconsistencies and without.
- Abstract（参考訳）: ますます、データのストリーミング化が進んでいる。
これにより、Stream Reasoningを通じてデータストリームからアクション可能な洞察をリアルタイムで抽出する方法への関心が高まりました。
データストリームに対する推論は、特にデータの高速化、推論のリアルタイム要件、ストリームのノイズと揮発性の性質など、複数の課題を提起する。
本稿では,これらの課題に対処するために,記述論理 ABox のストリーム上の漸進的推論のための新しい意味論を提案する。
最初の2つの課題に対処するために、ストリーム上のスライディングウィンドウに対する推論のセマンティクスは、以前のウィンドウの物質化に基づいて、ウィンドウの物質化を漸進的に計算することができる。
さらに、ストリームの揮発性の性質に対処するために、優先的な修復意味論に基づいて、このようなウィンドウ上での不整合性修復のための新しい意味論を提案する。
次に, OWL2 RLの場合, 不整合の有無と非整合性の両方において, インクリメンタルな物質化維持のためのセミナブアルゴリズムについて詳述する。
関連論文リスト
- Think-as-You-See: Streaming Chain-of-Thought Reasoning for Large Vision-Language Models [14.21980212001207]
ビデオデータのストリーミング特性に触発されて,LVLMのストリーミング推論パラダイムを2つ検討する。
ストリーミング入力の整合性を向上するために,真の並列推論を可能にする統合フレームワークである textbfThink-as-You-See (TaYS) を提案する。
論文 参考訳（メタデータ） (2026-03-03T11:24:55Z) - ReGuLaR: Variational Latent Reasoning Guided by Rendered Chain-of-Thought [49.203970812338916]
明示的な推論連鎖は、かなりの計算冗長性をもたらす。
近年の潜時推論法は、推理過程を潜時空間に圧縮することによりこれを緩和しようとする。
我々はRendered CoT-Guided Variational Latent Reasoning (ReGuLaR)を提案する。
論文 参考訳（メタデータ） (2026-01-30T17:08:06Z) - StreamingCoT: A Dataset for Temporal Dynamics and Multimodal Chain-of-Thought Reasoning in Streaming VideoQA [60.86024022291499]
ストリーミングビデオストリームにおける時間的に進化する推論のために明示的に設計された最初のデータセットであるStreamingCoTを紹介する。
本フレームワークは,秒単位の高密度な記述を生成し,類似性融合により時間依存性のセマンティックセグメントを構築する。
このデータセットは、ストリーミングビデオ理解、複雑な時間的推論、マルチモーダル推論の研究を促進する基盤を確立する。
論文 参考訳（メタデータ） (2025-10-29T09:47:38Z) - CogStream: Context-guided Streaming Video Question Answering [26.362263836329998]
本稿では,コンテキスト誘導型ストリーミングビデオ推論(CogStream)という課題を紹介する。
CogStreamは実世界のストリーミングビデオシナリオをシミュレートする。
半自動パイプラインによって生成される広範囲で階層的な問合せ対を特徴とする高密度な注釈付きデータセットを提案する。
論文 参考訳（メタデータ） (2025-06-12T09:24:07Z) - CItruS: Chunked Instruction-aware State Eviction for Long Sequence Modeling [52.404072802235234]
本稿では,下流タスクに有用な注目度を隠蔽状態の消去プロセスに統合する新しいモデリング手法であるChunked Instruction-Aware State Eviction(CItruS)を紹介する。
トレーニング不要な手法は,メモリ予算が同じ条件下で,複数の強いベースライン上での長いシーケンス理解および検索タスクにおいて,優れた性能を示す。
論文 参考訳（メタデータ） (2024-06-17T18:34:58Z) - Efficient Streaming Language Models with Attention Sinks [72.20260088848987]
StreamingLLMは、大規模言語モデルが微調整なしで無限のシーケンス長に一般化できる効率的なフレームワークである。
StreamingLLMはLlama-2, MPT, Falcon, Pythiaを最大400万のトークンで安定かつ効率的な言語モデリングを実現できることを示す。
論文 参考訳（メタデータ） (2023-09-29T17:59:56Z) - Visual Chain of Thought: Bridging Logical Gaps with Multimodal
Infillings [61.04460792203266]
本稿では, 逐次データ内の論理的ギャップを埋めるために, 視覚言語による接地を促進させる, チェーン・オブ・シントを利用する新しい手法であるVCoTを紹介する。
本手法は,下流タスクの論理的ギャップを低減するために,一貫した情報と新しい情報を加える合成マルチモーダル埋め込みを生成するために視覚誘導を用いる。
論文 参考訳（メタデータ） (2023-05-03T17:58:29Z) - Motion-inductive Self-supervised Object Discovery in Videos [99.35664705038728]
本稿では,連続的なRGBフレームの処理モデルを提案し,層状表現を用いて任意のフレーム間の光の流れを推定する。
3つの公開ビデオセグメンテーションデータセットにおいて,従来の最先端手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-10-01T08:38:28Z) - Faster than LASER -- Towards Stream Reasoning with Deep Neural Networks [0.6649973446180738]
Stream Reasonerは、推論とストリーム処理のギャップを埋めることを目指している。
LASERはデータストリーム上の複雑な推論を解析・実行するために設計されたストリーム推論器である。
本稿では、時系列予測や分類に特に適していることを示す畳み込みニューラルネットワークと反復ニューラルネットワークが、LASERによる推論を近似するために訓練可能であるかを検討する。
論文 参考訳（メタデータ） (2021-06-15T22:06:12Z) - Fixed Point Semantics for Stream Reasoning [0.0]
ストリーム推論は、AIコミュニティ内の研究領域として現れ、多くの潜在的な応用が期待されている。
非単調なストリーム推論のための規則に基づく形式主義とLARSは、解集合のセマンティクスに基づいて導入された。
我々の意味論は、答え集合がボトムアップから導出可能であり、円形の正当性を含まないという意味で健全で構成的であることを示す。
論文 参考訳（メタデータ） (2020-05-17T22:25:24Z)
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。