論文の概要: Syntactic Simplification of OWL Class Expressions

• arxiv url: http://arxiv.org/abs/2608.18899v1
• Date: Wed, 19 Aug 2026 13:24:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.405638
• Title: Syntactic Simplification of OWL Class Expressions
• Title（参考訳）: OWLクラス表現の構文的単純化
• Abstract要約: Class Expression Simplifier (CES)は、記述論理学(DL)における構文的simplificationクラス式のための新しいアルゴリズムである CESは、表現の複雑さを減らしながら、正式な推論を維持することを目指している。 CESはオープンソースのPythonフレームワークOWLAPYで実装されており、公開されている。
• 参考スコア（独自算出の注目度）: 8.771841829433312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Class expression learning often produces complex OWL class expressions that are difficult to interpret and reason over. However, by following theoretically grounded simplification principles, this complexity can be reduced. In this paper, we propose Class Expression Simplifier (CES), a novel algorithm for the syntactic simplification of class expressions in Description Logics (DL). CES aims to preserve formal semantics while reducing representational complexity. It systematically applies rewriting rules to eliminate redundancies and identify simpler yet equivalent expressions, thereby producing more compact and human-readable representations without altering logical entailments. We evaluate the effectiveness of CES on class expressions learned from two medium-sized ontologies, demonstrating measurable improvements in reasoning efficiency and reductions in verbosity. This work contributes to the broader goal of making ontology-driven applications more accessible, maintainable, and scalable, with direct implications for knowledge graph construction, semantic search, and Web-scale reasoning. CES is implemented within the open-source Python framework OWLAPY and is publicly available.
• Abstract（参考訳）: クラス表現学習はしばしば、解釈や推論が難しい複雑なOWLクラス表現を生成する。 しかし、理論的に根ざした単純化原理に従うことで、この複雑さを減らせることができる。 本稿では、記述論理(DL)におけるクラス表現の構文的単純化のための新しいアルゴリズムであるクラス表現単純化法(CES)を提案する。 CESは、表現の複雑さを減らしながら、フォーマルなセマンティクスを維持することを目指している。 書き換え規則を体系的に適用し、冗長性を排除し、単純だが等価な表現を識別し、論理的包含を変更することなく、よりコンパクトで可読な表現を生成する。 2つの中型オントロジーから学習したクラス表現に対するCESの有効性を評価し,推論効率の向上と冗長性の低下を実証した。 この作業は、知識グラフの構築、セマンティックサーチ、Webスケール推論に直接的な意味を持ち、オントロジー駆動のアプリケーションをよりアクセスしやすく、保守性があり、スケーラブルにする、というより広い目標に寄与します。 CESはオープンソースのPythonフレームワークOWLAPYで実装されており、公開されている。

関連論文リスト

• Improving Chain-of-Thought Reasoning via Quasi-Symbolic Abstractions [25.337811496479265]
  CoT(Chain-of-Though)は、大規模言語モデルにおける推論のための一般的な戦略である。 準シンボリックな説明を通じて,LLMを高レベルの抽象化で動作させる,CoTのバリエーションであるQuaSARを提案する。 実験の結果,準記号的抽象化はCoT法を最大8%精度で改善できることがわかった。
  論文  参考訳（メタデータ） (2025-02-18T07:58:48Z)
• TransBox: EL++-closed Ontology Embedding [14.850996103983187]
  我々は,多対一,一対多,多対多の関係を扱える効率的なEL++-クロース埋め込み法を開発した。 実験により,TransBoxは様々な実世界のデータセットにまたがって最先端のパフォーマンスを実現し,複雑な公理を予測できることを示した。
  論文  参考訳（メタデータ） (2024-10-18T16:17:10Z)
• Semantic Graphs for Syntactic Simplification: A Revisit from the Age of LLM [4.305497186714215]
  記号文の意味表現は、NLPタスクを単純化する表現的および構造化された意味グラフを提供する。 構文的単純化における意味グラフの位置を再考し,その意味を保ちながら文構造を単純化する作業について述べる。 本稿では, AMR グラフ上での記号的推論のために LLM をエミュレートする AMRCoC プロンプトを提案する。
  論文  参考訳（メタデータ） (2024-07-04T17:13:38Z)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Referring Expression Comprehension Using Language Adaptive Inference [15.09309604460633]
  本稿では,動的推論のための表現モデルとRECモデルの適応性について検討する。 本稿では,参照表現に条件付きRECモデルから言語適応を抽出できるLanguage Adaptive Subnets (LADS) というフレームワークを提案する。 RefCOCO, RefCO+, RefCOCOg, Referit の実験により, 提案手法はより高速な推論速度と最先端手法に対する高精度な精度を実現することを示した。
  論文  参考訳（メタデータ） (2023-06-06T07:58:59Z)
• ChatABL: Abductive Learning via Natural Language Interaction with ChatGPT [72.83383437501577]
  大規模言語モデル(LLM)は、最近数学的な能力において大きな可能性を証明している。 LLMは現在、認識、言語理解、推論能力のブリッジングに困難を抱えている。 本稿では, LLMを帰納学習フレームワークに統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T16:23:47Z)
• Symbolic Visual Reinforcement Learning: A Scalable Framework with Object-Level Abstraction and Differentiable Expression Search [63.3745291252038]
  DiffSESは、離散的なシンボルポリシーを発見する新しいシンボリック学習手法である。 生のピクセルレベルの入力の代わりにオブジェクトレベルの抽象化を使用することで、DiffSESはシンボリック表現の単純さとスケーラビリティの利点を活用することができる。 我々の実験は、DiffSESが最先端のシンボルRL法よりもシンプルでスケーラブルなシンボリックポリシーを生成することができることを示した。
  論文  参考訳（メタデータ） (2022-12-30T17:50:54Z)
• Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
  我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。 この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-26T21:02:09Z)
• Rationale-Augmented Ensembles in Language Models [53.45015291520658]
  我々は、数発のテキスト内学習のための合理化促進策を再考する。 我々は、出力空間における合理的サンプリングを、性能を確実に向上させるキーコンポーネントとして特定する。 有理拡張アンサンブルは既存のプロンプト手法よりも正確で解釈可能な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-02T06:20:57Z)
• LogiGAN: Learning Logical Reasoning via Adversarial Pre-training [58.11043285534766]
  本稿では,言語モデルの論理的推論能力を向上させるために,教師なしの対人事前学習フレームワークLogiGANを提案する。 人間の学習におけるリフレクティブ思考の促進効果に着想を得て,逆生成検証アーキテクチャを用いて学習思考過程をシミュレートする。 LogiGANで事前トレーニングされたベースモデルと大規模言語モデルの両方で、12のデータセットで明らかなパフォーマンス改善が示されている。
  論文  参考訳（メタデータ） (2022-05-18T08:46:49Z)
• Neural Class Expression Synthesis [1.9574275129043424]
  本稿では,ニューラルクラス表現合成器を用いたクラス表現学習手法を提案する。 訓練例'' は機械翻訳に似た方法でクラス表現に翻訳される。 4つのベンチマークデータセットに対するアプローチの評価は,高品質なクラス表現を効果的に合成できることを示唆している。
  論文  参考訳（メタデータ） (2021-11-16T14:05:24Z)
• String Theories involving Regular Membership Predicates: From Practice to Theory and Back [12.98284167710378]
  文字列制約系に対する満足度問題に対するアルゴリズムは、対象ケースに存在する制約の構造を徹底的に理解する必要がある。 本稿では,正規表現構成述語を含む文献で提示されるベンチマークを調査し,異なる一階述語論理理論を抽出し,決定不能性を証明する。 特に、現実世界のベンチマークで最も一般的な理論はPSPACE完全であり、文字列制約を解決するためのより効率的なアルゴリズムの実装に直結する。
  論文  参考訳（メタデータ） (2021-05-15T13:13:50Z)

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。