专栏首页arxiv.org翻译专栏稀疏盒子的时间最小世界语义(CS)

稀疏盒子的时间最小世界语义(CS)

本体中介的查询回答是一种流行的范式,用于用背景知识丰富用户查询的答案。然而,对于信息缺失的查询,基于本体的方法很少。此外,这些建议合并了封闭域和封闭世界假设,因此不适合处理本体推理中常见的匿名对象。许多真实世界的应用程序,如处理电子健康记录(ehr),也包含时间维度,并需要高效的推理算法。此外,由于没有定期记录医疗数据,推理者必须处理可能存在较大时间差距的稀疏数据。我们的贡献包括两个主要部分:在第一部分中,我们引入了一个新的封闭世界语义,用于在描述逻辑ELHb(基于最小规范模型)中对本体进行否定来回答合取查询。我们提出了一种处理否定查询原子的重写策略,该策略表明在数据复杂度多项式时间内查询应答是可能的。在第二部分中,我们将这种最小世界语义扩展到轻量级时态逻辑TELHb上,并获得了类似的可重写性和复杂度结果。本文是在逻辑编程的理论与实践中进行研究的。

原文题目:Temporal Minimal-World Semantics for Sparse ABoxes

原文:Ontology-mediated query answering is a popular paradigm for enriching answers to user queries with background knowledge. For querying the absence of information, however, there exist only few ontology-based approaches. Moreover, these proposals conflate the closed-domain and closed-world assumption, and therefore are not suited to deal with the anonymous objects that are common in ontological reasoning. Many real-world applications, like processing electronic health records (EHRs), also contain a temporal dimension, and require efficient reasoning algorithms. Moreover, since medical data is not recorded on a regular basis, reasoners must deal with sparse data with potentially large temporal gaps. Our contribution consists of two main parts: In the first part we introduce a new closed-world semantics for answering conjunctive queries with negation over ontologies formulated in the description logic ELHb, which is based on the minimal canonical model. We propose a rewriting strategy for dealing with negated query atoms, which shows that query answering is possible in polynomial time in data complexity. In the second part, we extend this minimal-world semantics for answering metric temporal conjunctive queries with negation over the lightweight temporal logic TELHb and obtain similar rewritability and complexity results. This paper is under consideration in Theory and Practice of Logic Programming (TPLP).

原文链接:https://arxiv.org/abs/2105.14369

原文作者:Stefan Borgwardt,Walter Forkel,Alisa Kovtunova

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 形象易懂讲解算法II——压缩感知

    作者:咚懂咚懂咚 链接:https://zhuanlan.zhihu.com/p/22445302 来源:知乎 著作权归作者所有。商业转载请联系作者获得授...

    bear_fish
  • AI新海诚就是在下,不信来玩

    现在,不需要人类画师一帧帧描画,把你拍下的视频喂给AI,就能让现实世界分分钟掉进二次元世界。

    量子位
  • Camera-Lidar投影:2D-3D导航

    激光雷达和照相机是用于感知和理解场景的两个基本传感器。他们建立周边环境模型、提供检测和确定其他对象位置的方法,从而为机器人提供了安全导航所需的丰富语义信息。许多...

    小白学视觉
  • OpenAI发布高度优化的GPU计算内核—块稀疏GPU内核

    深度学习领域的模型架构和算法的发展在很大程度上受到GPU能否高效实现初等变换的限制。其中一个问题是缺乏GPU不能高效执行稀疏线性操作,我们现在正在发布高度优化的...

    AiTechYun
  • Stereo R-CNN based 3D Object Detection for Autonomous Driving

    版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。

    狼啸风云
  • 稀疏分解中的MP与OMP算法

    MP:matching pursuit匹配追踪 OMP:正交匹配追踪 主要介绍MP与OMP算法的思想与流程,解释为什么需要引入正交?   !!今天发现一个重大问...

    闪电gogogo
  • 深度 | OpenAI发布「块稀疏」GPU内核:实现文本情感分析与图像生成建模当前最优水平

    选自 OpenAI 作者:Durk Kingma、Scott Gray、Alec Radford 机器之心编译 参与:黄小天、刘晓坤 近日,OpenAI 在其一...

    机器之心
  • CVPR 19系列3 | Stereo R-CNN 3D 目标检测

    之前在3D检测方面的文章层出不穷,也是各个公司无人驾驶或者机器人学部门关注的重点,包含了点云,点云图像融合,以及单目3D检测,但是在双目视觉方面的贡献还是比较少...

    计算机视觉研究院
  • CVPR 19系列 | Stereo R-CNN 3D 目标检测

    之前在3D检测方面的文章层出不穷,也是各个公司无人驾驶或者机器人学部门关注的重点,包含了点云,点云图像融合,以及单目3D检测,但是在双目视觉方面的贡献还是比较少...

    计算机视觉研究院

扫码关注云+社区

领取腾讯云代金券