Scalable integration of uncertainty reasoning and semantic web technologies

Schönfisch, Jörg

Vorschau

PDF
thesis.pdf - Veröffentlichte Version
Download (1MB)

URL:	https://ub-madoc.bib.uni-mannheim.de/46637
URN:	urn:nbn:de:bsz:180-madoc-466378
Dokumenttyp:	Dissertation
Erscheinungsjahr:	2018
Ort der Veröffentlichung:	Mannheim
Hochschule:	Universität Mannheim
Gutachter:	Stuckenschmidt, Heiner
Datum der mündl. Prüfung:	25 Oktober 2018
Sprache der Veröffentlichung:	Englisch
Einrichtung:	Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Practical Computer Science II: Artificial Intelligence (Stuckenschmidt 2009-)
Lizenz:	Creative Commons Namensnennung 4.0 International (CC BY 4.0)
Fachgebiet:	004 Informatik
Normierte Schlagwörter (SWD):	Semantic Web , Probabilistisches Schließen , Skalierbarkeit , Unsicheres Schließen , Risikomanagement
Freie Schlagwörter (Englisch):	Semantic Web , Probabilistic Reasoning , Scalability , Uncertainty , Risk Management
Abstract:	In recent years formal logical standards for knowledge representation to model real world knowledge and domains and make them accessible for computers gained a lot of trac- tion. They provide an expressive logical framework for modeling, consistency checking, reasoning, and query answering, and have proven to be versatile methods to capture knowledge of various fields. Those formalisms and methods focus on specifying knowl- edge as precisely as possible. At the same time, many applications in particular on the Semantic Web have to deal with uncertainty in their data; and handling uncertain knowledge is crucial in many real- world domains. However, regular logic is unable to capture the real-world properly due to its inherent complexity and uncertainty, all the while handling uncertain or incomplete information is getting more and more important in applications like expert system, data integration or information extraction. The overall objective of this dissertation is to identify scenarios and datasets where methods that incorporate their inherent uncertainty improve results, and investigate approaches and tools that are suitable for the respective task. In summary, this work is set out to tackle the following objectives: 1. debugging uncertain knowledge bases in order to generate consistent knowledge graphs to make them accessible for logical reasoning, 2. combining probabilistic query answering and logical reasoning which in turn uses these consistent knowledge graphs to answer user queries, and 3. employing the aforementioned techniques to the problem of risk management in IT infrastructures, as a concrete real-world application. We show that in all those scenarios, users can benefit from incorporating uncertainty in the knowledge base. Furthermore, we conduct experiments that demonstrate the real- world scalability of the demonstrated approaches. Overall, we argue that integrating uncertainty and logical reasoning, despite being theoretically intractable, is feasible in real-world application and warrants further research.
Übersetzung des Abstracts:	In den letzten Jahren haben logische Formalism für die Wissensrepräsentation, die es ermöglichen Wissen und Domänen zu modellieren und sie für Computer zugänglich zu machen, an großer Bedeutung gewonnen. Sie bieten einen aussagekräftigen logischen Rahmen für Modellierung, Konsistenzprüfung, Argumentation und zur Beantwortung von Abfragen, und haben sich als vielseitige Methoden zur Erfassung von Wissen in verschiedensten Bereichen erwiesen. Diese Formalismen und Methoden konzentrieren sich darauf, Wissen so genau wie möglich zu spezifizieren. Gleichzeitig müssen viele Anwendungen, insbesondere im Semantic Web, mit Unsicher- heiten in ihren Daten umgehen; die Berücksichtigung unsicherem Wissen ist in vielen Bereichen der realen Welt von entscheidender Bedeutung. Formelle Logik ist jedoch nicht in der Lage die reale Welt aufgrund ihrer Komplexität und Unsicherheit korrekt zu erfas- sen. Allerdings wird der Umgang mit unsicheren oder unvollständigen Informationen in Anwendungen wie Expertensystem, Datenintegration oder Informationsextraktion im- mer wichtiger. Das übergeordnete Ziel dieser Dissertation ist es, Szenarien und Datensätze zu identifi- zieren, bei denen Methoden, die ihre inhärente Unsicherheit berücksichtigen, Ergebnisse verbessern und Ansätze und Werkzeuge zu untersuchen, die für die jeweilige Aufgabe geeignet sind. Zusammenfassend ist diese Arbeit auf die folgenden Ziele ausgerichtet: 1. Debuggen unsicherer Wissensbasen, um konsistente Wissensgraphen zu erzeugen, die dadurch für logische Inferenz zugänglich werden, 2. die Kombination von logischer Inferenz und dem probabilistischen Beantworten von Anfragen, was wiederum konsistente Wissenbasen vorraussetzt, und 3. die Anwendung der oben genannten Techniken auf das Problem des Risikomanage- ments in IT-Infrastrukturen als eine konkrete reale Anwendung. Wir zeigen, dass Nutzer in all diesen Szenarien davon profitieren können, wenn Unsicher- heit in der Wissensbasis benhandelt wird. Darüber hinaus zeigen wir anhand von Expe- rimenten, dass die angeführten Ansätze in realistischen Anwendungsszenarien skalierbar sind. Insgesamt argumentieren wir, dass die Integration von Unsicherheit und logischer Inferenz, obwohl theoretisch schlecht skalierbar, in realistischen Szenarien durchaus an- wendbar ist. (Deutsch)