論文の概要: ABox Abduction for Inconsistent Knowledge Bases under Repair Semantics
- arxiv url: http://arxiv.org/abs/2605.01341v1
- Date: Sat, 02 May 2026 09:25:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.716767
- Title: ABox Abduction for Inconsistent Knowledge Bases under Repair Semantics
- Title（参考訳）: 修復セマンティックスにおける一貫性のない知識ベースのためのABoxアブダクション
- Authors: Anselm Haak, Patrick Koopmann, Yasir Mahmood, Anni-Yasmin Turhan,
- Abstract要約: ABoxの誘拐問題は、知識ベース(KB)の拡張の可能性を求めるものである。
この問題には、診断から説明可能性、修復に至るまで、多くの応用がある。
本設定では, 退行の適切な概念を定義し, 退行を「有効」な仮説に導く基準を提案する。
- 参考スコア（独自算出の注目度）: 6.124773188525718
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Given a knowledge base (KB) with a non-entailed fact, the ABox abduction problem asks for possible extensions of the KB that would entail this fact. This problem has many applications, ranging from diagnosis to explainability and repair. ABox abduction has been well-investigated for consistent KBs and classical semantics, but little is known for the case of inconsistent KBs, which can be caused by erroneous data. In this paper we define suitable notions of abduction in this setting and propose criteria that guide abduction towards "useful" hypotheses. To regain meaningful reasoning in the presence of inconsistencies, we use well-established repair semantics. We provide a comprehensive landscape of the complexity of ABox abduction under repair semantics, treating different variants of the abduction problem for the light-weight description logics DL-Lite and EL_bot.
- Abstract（参考訳）: 非詳細な事実を持つ知識ベース(KB)が与えられた場合、ABoxの誘拐問題は、この事実を複雑にするKBの拡張を要求される。
この問題には、診断から説明可能性、修復に至るまで、多くの応用がある。
ABox abductionは一貫性のあるKBと古典的な意味論のためによく研究されてきたが、誤ったデータによって引き起こされる不整合KBの場合はほとんど知られていない。
本稿では, 退行の適切な概念を定義し, 退行を「有用」な仮説に導く基準を提案する。
不整合の存在下で有意義な推論を取り戻すために、確立された補修意味論を用いる。
補修セマンティクス下でのABox推論の複雑さを包括的に把握し,軽量記述論理のDL-LiteとEL_botの異なる変種を取り扱う。
関連論文リスト
- Why Thinking Hurts? Diagnosing and Rectifying the Reasoning Shift in Foundation Recommender Models [44.74420486421283]
トレーニング不要な推論時間部分空間アライメントフレームワークを提案する。
推論チェインを圧縮し、バイアス抽出されたコントラストデコーディングを適用することにより、本手法は非基底的テキストドリフトを緩和する。
実験では、この推論を効果的に校正し、基礎モデルでは、ID基底精度を犠牲にすることなく推論を活用できる。
論文 参考訳（メタデータ） (2026-02-18T16:38:21Z) - Understanding the Logic of Direct Preference Alignment through Logic [54.272600416107146]
本稿では,単一モデルと参照モデルに基づくアプローチの選好損失を特徴付ける新しいフォーマリズムを提案する。
そこで我々は,この嗜好学習の形式的視点が,DPA損失景観の大きさと構造の両方に新たな光を当てていることを示す。
論文 参考訳（メタデータ） (2024-12-23T16:23:13Z) - From Chaos to Clarity: Claim Normalization to Empower Fact-Checking [57.024192702939736]
Claim Normalization(別名 ClaimNorm)は、複雑でノイズの多いソーシャルメディア投稿を、より単純で分かりやすい形式に分解することを目的としている。
本稿では,チェーン・オブ・ソートとクレーム・チェック・バシネス推定を利用した先駆的アプローチであるCACNを提案する。
実験により, CACNは様々な評価尺度において, いくつかの基準値を上回る性能を示した。
論文 参考訳（メタデータ） (2023-10-22T16:07:06Z) - Exploiting Uncertainty for Querying Inconsistent Description Logics Knowledge Bases [0.3277163122167433]
我々は、この問題を解決するために、disPONTEと呼ばれる既存の確率論的意味論を利用する。
提案手法をTRILLとBUNDLEに実装し,提案手法の有効性を実証的に検証した。
論文 参考訳（メタデータ） (2023-06-15T13:50:46Z) - Faithful Embeddings for Knowledge Base Queries [97.5904298152163]
理想的知識ベース(KB)の帰納的閉包は、KBが答えられる論理的クエリを正確に含んでいる。
実際にはKBは不完全かつ過剰な仕様であり、現実の答えを持つクエリには答えられない。
この新たなQEモジュールをニューラルな質問応答システムに挿入すると、最先端技術よりも大幅に改善されることを示す。
論文 参考訳（メタデータ） (2020-04-07T19:25:16Z)
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。