Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
수정 의미론(repair semantics) 하에서 ELbot의 ABox 귀납(abduction) 문제를 다루는 연구입니다. 가설에 특정 속성이나 최적성 기준을 추가하더라도 복잡도가 크게 증가하지 않는다는 주요 관찰 결과를 제시합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기귀납(Abduction)은 지식 베이스(knowledge base)에 추가되었을 때 누락된 함의(entailment)를 참으로 만들 수 있는 가설(hypothesis)을 제공함으로써, 지식 베이스로부터 누락된 함의를 설명하는 핵심적인 접근 방식입니다. 최근 수정 의미론(repair semantics) 하에서의 귀납에 대해 상세한 연구가 이루어졌으며, 시그니처 제한(signature-restrictions) 및 크기 및 도입된 충돌(conflicts)의 최소성(minimality)과 같은 여러 바람직한 속성 및 최적성 기준(optimality criteria)이 고려되었습니다. 당연하게도, 이러한 속성 중 하나 이상을 만족하거나 속성을 최적성 기준과 결합한 가설은 응용 분야에서 더욱 바람직할 것입니다. 지금까지 문헌에서는 이러한 가설들에 대한 연구가 이루어지지 않았습니다. 본 논문에서는 brave 및 AR 의미론(semantics) 하의 ELbot에 대하여, 하나 이상의 속성 또는 추가적인 최적성 기준을 만족하는 가설에 대한 ABox 귀납(abduction) 문제를 다룹니다. 우리의 주요 관찰 결과는 가설에 추가적인 속성을 요구하는 것이 종종 복잡도(complexity)의 증가로 이어지지 않는다는 것입니다.