Applying Markov Logics for Controlling Abox Abduc9on - - PowerPoint PPT Presentation

▶
applying markov logics for controlling abox abduc9on
SMART_READER_LITE
LIVE PREVIEW

Applying Markov Logics for Controlling Abox Abduc9on - - PowerPoint PPT Presentation

Jul 16, 2023 110 likes •315 views

Applying Markov Logics for Controlling Abox Abduc9on Disserta(on Presenta(on Anahita Nafissi Chairman: Prof. Gollmann Reviewers: Prof.

slide-1
SLIDE 1

Applying ¡Markov ¡Logics ¡ ¡ for ¡ ¡Controlling ¡Abox ¡Abduc9on ¡

Disserta(on ¡Presenta(on ¡ ¡ ¡ ¡ ¡Anahita ¡Nafissi ¡

Chairman: ¡ ¡Prof. ¡Gollmann ¡ ¡ Reviewers: ¡Prof. ¡Möller, ¡Prof. ¡Neumann ¡ ¡ ¡ ¡ ¡

¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡

¡

¡

¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡Hamburg, ¡10th ¡of ¡October ¡2013 ¡

slide-2
SLIDE 2

Symbolic ¡Descrip(ons ¡ ¡

  • f ¡Mul(media ¡Documents ¡

Interpreta(on ¡

2 ¡

Analysis ¡results ¡

slide-3
SLIDE 3

Agenda ¡

  • Mo(va(on, ¡research ¡objec(ves, ¡advances ¡
  • My ¡approach ¡in ¡detail ¡
  • Evalua(on ¡
  • Summary ¡and ¡outlook ¡

3 ¡

slide-4
SLIDE 4

State ¡of ¡the ¡Art ¡

  • Kowalski ¡

– Abduc(ve ¡logic ¡programming ¡

  • Espinosa, ¡Kaya, ¡Möller ¡

– Abduc(on ¡as ¡a ¡formaliza(on ¡of ¡interpreta(on ¡

  • Bohlken, ¡Neumann ¡

– Interpreta(on ¡operators, ¡beam ¡search, ¡ probabilis(c ¡ranking ¡

4 ¡

slide-5
SLIDE 5

Contribu(on ¡

  • Abduc(on: ¡Resoning ¡from ¡observa(ons ¡to ¡explana(ons ¡ ¡ ¡
  • Controlling ¡the ¡abduc9on ¡process ¡in ¡terms ¡of ¡branching ¡and ¡depth ¡

Controlling ¡ Mul(media ¡ Interpreta(on ¡ Descrip(on ¡Logics ¡+ ¡Rules ¡+ ¡ Weighted ¡Rules ¡

Symbolic ¡ ¡ descrip(ons ¡ High ¡level ¡ symbolic ¡ ¡ descrip(ons ¡

5 ¡

Analysis ¡results ¡

slide-6
SLIDE 6

Interpreta(on ¡Example ¡

c1: ¡Car ¡ ds1: ¡DoorSlam ¡

6 ¡

causes(c1,ds1) ¡

slide-7
SLIDE 7

Interpreta(on ¡Example ¡Con(nued ¡

c1: ¡Car ¡ ds1: ¡DoorSlam ¡ ce1: ¡CarEntry ¡ c1: ¡Car ¡ ds1: ¡DoorSlam ¡ ce2: ¡CarExit ¡

7 ¡

causes(c1,ds1) ¡ causes(c1,ds1) ¡

Consequence: ¡Branching! ¡

hasObject(ce1,c1) ¡ hasObject(ce2,c1) ¡ hasEffect(ce2,ds1) ¡ hasEffect(ce1,ds1) ¡

slide-8
SLIDE 8

Markov ¡Logic ¡Network ¡

¡ ¡ ¡ ¡A ¡Markov ¡Logic ¡network ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡consists ¡of ¡a ¡ ¡

¡ ¡ ¡ ¡ ¡ ¡sequence ¡of ¡first ¡order ¡formulas ¡

¡ ¡ ¡ ¡and ¡a ¡sequence ¡of ¡weights ¡ ¡ ¡ ¡ ¡ ¡

8 ¡

slide-9
SLIDE 9

Example ¡for ¡MLN ¡

Assume: ¡ ¡CityWithIndustry(h)=true ¡ Constant: ¡h ¡ ¡

9 ¡

Alchemy ¡System ¡ ¡

slide-10
SLIDE 10

Handling ¡Uncertain ¡Data ¡

0.3 ¡Car(c1) ¡ 0.6 ¡DoorSlam(i) ¡ causes(c1,i) ¡ 0.2 ¡EngineSound(i) ¡ Car(c1) ¡ DoorSlam(i) ¡ causes(c1,i) ¡

MAP ¡

10 ¡

Tbox ¡

Consequence: ¡Branching! ¡

slide-11
SLIDE 11

Controlling ¡the ¡Interpreta(on ¡Process ¡

m ¡= ¡Number ¡of ¡unexplained ¡observa(ons ¡ n ¡ ¡= ¡Number ¡of ¡explained ¡observa(ons ¡

11 ¡

ex ¡ ¡unexplained ¡ unexplained ¡ unexplained ¡ unexplained ¡

  • exp. ¡
  • exp. ¡

explained ¡

: ¡ : ¡

m ¡ n ¡ 1 ¡ 2 ¡ 3 ¡

slide-12
SLIDE 12

Interpreta(on ¡Controlling ¡Example ¡

Assume ¡4 ¡observa(ons ¡ Depth ¡= ¡2 ¡

12 ¡

slide-13
SLIDE 13

Development ¡of ¡the ¡P-­‑Score ¡

x ¡= ¡(me ¡axis ¡indicated ¡with ¡arrival ¡(me ¡of ¡bunches ¡ ¡ y ¡= ¡scoring ¡value ¡of ¡the ¡interpreta(on ¡Abox ¡ ¡ (Strategy ¡: ¡Stop-­‑Processing) ¡

13 ¡

slide-14
SLIDE 14

Controlling ¡the ¡Interpreta(on ¡Process ¡

  • Controlling ¡branching ¡(beam ¡Search) ¡
  • Controlling ¡abduc(on ¡depth ¡
  • Controlling ¡reac(vity ¡

14 ¡

slide-15
SLIDE 15

Increasing ¡the ¡Score ¡by ¡Explaining ¡ Observa(ons ¡

x ¡= ¡(me ¡axis ¡indicated ¡with ¡arrival ¡(me ¡of ¡bunches ¡ ¡ y ¡= ¡scoring ¡value ¡of ¡the ¡interpreta(on ¡Abox ¡ ¡ (Strategy ¡: ¡Non-­‑Stop-­‑Processing) ¡

15 ¡

slide-16
SLIDE 16

Increasing ¡the ¡Score ¡by ¡Explaining ¡Observa(ons ¡

x ¡= ¡(me ¡spent ¡for ¡explaining ¡observa(ons ¡ ¡ y ¡= ¡number ¡of ¡observa(ons ¡to ¡be ¡explained ¡in ¡a ¡bunch ¡ z ¡= ¡scoring ¡value ¡

16 ¡

slide-17
SLIDE 17

Summary ¡

  • Deal ¡with ¡uncertain ¡and ¡inconsistent ¡observa(ons ¡
  • Rank ¡interpreta(on ¡alterna(ves ¡probabilis(cally ¡
  • Control ¡the ¡abduc(on ¡process ¡in ¡terms ¡of ¡branching ¡and ¡

depth ¡

  • Incrementally ¡process ¡the ¡input ¡data ¡
  • Increase ¡the ¡rank ¡of ¡interpreta(on ¡alterna(ves ¡monotonically ¡

by ¡successively ¡explaining ¡observa(ons. ¡

17 ¡

slide-18
SLIDE 18

Outlook ¡

  • Determine ¡the ¡maximum ¡depth ¡adap(vely ¡
  • Learn ¡the ¡weights ¡of ¡the ¡weighted ¡rules ¡
  • Fuse ¡ ¡interpreta(ons ¡of ¡segments ¡

18 ¡

slide-19
SLIDE 19

Publica(ons ¡

¡ ¡ ¡ ¡ ¡ ¡Conference ¡Papers ¡

  • O. ¡Gries, ¡R. ¡Möller, ¡A. ¡Nafissi, ¡M. ¡Rosenfeld, ¡K. ¡Sokolski, ¡and ¡M. ¡Wessel. ¡A ¡

Probabilis(c ¡Abduc(on ¡Engine ¡for ¡Media ¡Interpreta(on ¡based ¡on ¡Ontologies. ¡In ¡ Proceedings ¡of ¡4th ¡Interna9onal ¡Conference ¡on ¡Web ¡Reasoning ¡and ¡Rule ¡Systems ¡ (RR-­‑2010), ¡September ¡2010. ¡

¡ ¡ ¡ ¡ ¡ ¡Workshop ¡Papers ¡

  • O. ¡Gries, ¡R. ¡Möller, ¡A. ¡Nafissi, ¡M. ¡Rosenfeld, ¡K. ¡Sokolski, ¡and ¡M. ¡Wessel. ¡A ¡

Probabilis(c ¡Abduc(on ¡Engine ¡for ¡Media ¡Interpreta(on ¡based ¡on ¡Ontologies. ¡In ¡ ¡ Proceedings ¡of ¡the ¡Interna9onal ¡Workshop ¡on ¡Uncertainty ¡in ¡ ¡Descrip9on ¡Logics ¡ (UnIDL-­‑2010), ¡ ¡2010. ¡

19 ¡