機械学習技術 人工知能技術 自然言語処理技術 セマンティックウェブ技術 オントロジー技術 デジタルトランスフォーメーション技術 AI学会論文 知識情報処理技術 AI学会論文を集めて 推論技術
前回はReasoning Web2019について述べた。今回は2020年6月にコロナの影響を受けてバーチャルでの開催となった第16回Reasoning Webつにいて述べる。
メインのテーマは“Declarative Artificial Intelligence”(宣言型人工知能)となる。具体的な内容としては、軽量記述論理（DL）オントロジー説明可能なAI（XAI）、ストリーム推論、解集合プログラミング(ASP)、データ解析のための最近の宣言型問合せ言語であるリミット・データログ、知識グラフに関連するハイレベルな研究の方向性と未解決の問題の概要について述べる。
以下詳細の内容について述べる。
Introduction to Probabilistic Ontologies
オントロジーは、ドメイン知識、特に生命科学に関連するドメインの知識を表現するための一般的な方法である。(オントロジー構築の（半）自動化は、様々なコミュニティから「オントロジー学習」と呼ばれる分野に研究者を集めている。我々は、計算論的学習理論から、厳密な学習モデルとおそらくは近似的に正しい学習モデルの形式的な仕様を提供する。次に、これらのモデルで軽量記述論理（DL）オントロジーを学習するための複雑さの結果を文献から想起する。最後に、DLオントロジーを学習するために文献から提案された他のアプローチに注目する。
AIが日常生活の中でますますユビキタスになるにつれて、AIが人間に説明し対話する能力が重要な研究領域へと発展しています。そのため、説明可能なAI（XAI）は人気のあるトピックとして浮上していますが、その研究状況は現在、非常に断片的です。文献にある説明は、一般的に個々の課題に対処することを目的としており、特定のAIや狭い設定に合わせたアドホックなものであることが多い。さらに、説明の抽出は単純な作業ではない。説明の設計は、以下のような考慮事項を含むがこれに限定されない、目的に適合したものでなければならない。説明されるのはモデルか結果か？説明は熟練した被説明者に適したものか、未熟な被説明者に適したものか？どのような手段で情報を表示するのが最適か？ユーザーは説明とどのように接することができるか？これらの考慮事項が増えるにつれて、様々なユーザと相互作用のための様々な説明を得るための体系的な方法が必要であることがすぐに明らかになる。このチュートリアルでは、ユーザーに提供される説明の足場として機械的議論を利用することで、これらの課題に対処できることを示す最近のアプローチを概観します。機械的議論とは、AIにおける計算論証の手法を、適切にマイニングされた議論フレームワークに展開することであり、「議論」の抽象化を提供するものである。計算論証は、AIシステムとユーザーとの情報交換を必要とするアプリケーションをサポートするために広く用いられてきました。これは、論証という機能が人間社会に広く浸透しており、論証が人間の多くの活動の中核をなしているという事実によって促進されています。本講演では、機械による議論がAIにおける説明の原動力としてどのように機能するのか、すなわち、言語データから議論的基盤を持つ説明可能なシステムを構築すること（レビューに注目）、あるいは既存のシステムから議論的推論を抽出すること（推薦システムに注目）、に焦点を当てます。
ストリーム推論は、人工知能とストリーム処理の合流点に位置し、急速に変化する情報の流れに推論を行うという野心的な目標を掲げています。本講義の目的は、(1) ストリーム推論の最先端を紹介する、(2) ストリーム推論アプリケーションの設計、開発、展開の方法を概説し、RDFストリーム処理に深く潜り込む、(3) 最先端の限界と現在の課題を共同で議論する、の3つである。
時間データ、特にストリーミングデータに対するオントロジーを用いたデータアクセスを目的として、OWL 2 QLとSPARQLを時間演算子で拡張し、オントロジーを介したクエリーの言語を設計し、これらのクエリーの<とPLUSによる時間に対する2ソート一階論理への書き換え可能性を調査する。
解集合プログラミング(ASP)は，安定モデルまたは答集合の意味論に基づく論理プログラ ミングである．過去10年間、このパラダイムは、これらのプログラムで使用されるアトム の概念を一般化することによって、いくつかの拡張を行ってきた。その中には、集約アトム、HEXアトム、一般化量子化子、抽象制約がある。本論文では、これらの構成要素を総称して一般化アトムと呼ぶ。これらの構成要素に共通する考え方は、その充足度は単一の（非一般化）アトムの真理値ではなく、（非一般化）アトムの集合の真理値に依存するということである。いくつかの例から動機づけられ、より複雑な一般化されたアトムのいくつかについて、先に提案した意味論は直感的でない結果を与えることを論じ、我々が支持安定あるいはSFLP回答セットと呼ぶ代替意味論を提供する。凸の一般化アトムを持つプログラムに対しては、以前に提案された主要な意味論と同等であり、非凸の一般化アトムが存在する場合には、一般に他の意味論よりも意図したモデルを許容することを示す。また、サポート付き安定モデルの複雑さは、従来の提案や、離散論理プログラムの安定モデルと同様に、多項式階層の第2レベルにあることを示す。これらの複雑さの結果を踏まえて、一般化アトムを持つプログラムを接続法正規形から一般化アトムを持たないプログラムへコンパクトに変換するコンパイル方法を提供する。また、これまで同様のコンパイル手法が知られていなかった、新しいサポート付き安定型と既存のFLP意味論に対する変種を与える。
現在、データ解析のタスクは、JavaやScalaなどの標準的な命令型プログラミング言語で書かれたコードで解決されることが多い。しかし、近年では、タスクの定義と実装を明確に分離し、ユーザーは計算方法ではなく、求める出力が何かを記述する宣言型ソリューションへの移行が顕著になってきている。例えば、グラフの最短経路を具体的なアルゴリズムで計算するのではなく、まず経路の長さが何であるかを記述し、その長さが最小の経路のみを選択するようなものである。このような仕様は評価の詳細に依存しないため、解析者は実装の詳細よりも目の前のタスクに集中することができる。このノートでは、データ解析のための最近の宣言型問合せ言語であるリミット・データログについて概要を説明する。この言語は、データ解析タスクを自然に捕らえるために、通常のDatalogに整数演算（したがって多くの集計形式）を加えて拡張しているが、同時に推論の決定可能性を保持するために再帰と演算の相互作用を注意深く制限している。我々は、正論理言語に集中するが、様々な複雑性と表現力を持つ正論理ダータログの一般化と断片化についても議論する。
このレクチャーノートでは、知識グラフに関連するハイレベルな研究の方向性と未解決の問題の概要を説明する。知識グラフに関連する6つのハイレベルな概念、すなわち、データモデル、クエリー、オントロジー、ルール、埋め込み、グラフニューラルネットワークについて説明する。従来、これらの概念はグラフの文脈で異なるコミュニティによって研究されてきたが、最近の研究では、これらの概念が互いにどのように関連し、どのように統一され得るかに注目し始めている。実際、より基礎的なレベルでは、異なる概念の間にいくつかの驚くべき関係を見出すことができます。我々の研究課題は、これらの概念の組み合わせに関わるものがほとんどである。
次回はReasoning Web2021について述べる。
コメント
[…] 次回はReasoning Web2020について述べる。 […]