FALCON：可扩展的不一致 ALC 本体推理
人工智能
2024-05-28 v5 计算机科学中的逻辑
摘要
本体是最丰富的知识来源之一。现实世界本体常包含数千条公理且常由人工构建。因此，它们可能包含不一致与不完整信息，这可能损害经典推理机计算被视为有用的推导的能力。为克服这两大挑战，我们提出 FALCON，一种模糊本体神经推理机，用于近似推理 ALC 本体。我们为经典 ALC 推理机中的模型生成步骤提供了一种近似技术。我们的近似不保证构造精确逻辑模型，但可近似任意模型，对某些大型本体显著更快。此外，通过采样多个近似逻辑模型，我们的技术也支持对不一致本体的近似推导。理论结果表明，生成的模型越多，对 ALC 推导的近似越接近（即忠实）。实验结果显示 FALCON 实现了近似推理及在存在不一致时的推理。我们的实验进一步展示了本体如何通过纳入 ALC 表达的知识来改进生物医学中的知识库补全。
引用
@article{arxiv.2208.07628,
title = {FALCON: Scalable Reasoning over Inconsistent ALC Ontologies},
author = {Tilman Hinnerichs and Zhenwei Tang and Xi Peng and Xiangliang Zhang and Robert Hoehndorf},
journal= {arXiv preprint arXiv:2208.07628},
year = {2024}
}