general inclusion axioms / general concept inclusion (GCI)
|
|
- Kathrin Beutel
- vor 7 Jahren
- Abrufe
Transkript
1 Tableau-Verfahren: ABox Die Erfüllbarkeit einer ABox kann ebenfalls durch die Tableau-Methode entschieden werden. Hinweis: Für UNA müssen Ungleichheiten (indiv i = indiv j ) paarweise für alle Individuen explizit hinzugefügt werden. {mary: Mann, john:(mann hat-kind.mann), (john,mary):hat-kind} ABox -Regel -Regel -Regel mary: Mann john:mann john: hat-kind.mann john hat-kind mary Allgemeine Axiome in Tableaus general inclusion axioms / general concept inclusion (GCI) Axiome der Form: C D mit C und D als komplexen Konzeptbeschreibungen. Problem: Definitionsexpansion nicht mehr möglich. Beispiel: TBox mit C 1 D 1,...,C n D n Alle prototypischen Individuen müssen bzgl. dieser Axiome getestet werden (im Tableau-Verfahren kommen ständig neue Indiv. hinzu). Idee: Zusammenfassung zu einem einzelnen Axiom Ĉ = ( C 1 D 1 )... ( C n D n) -Regel -Regel mary: mary:mann Das Axiom Ĉ drückt aus, dass jedes Individuum eine Instanz von Ĉ sein muss. Anpassung des Tableau-Verfahrens: Zu allen Individuen wird obige Einschränkung bzgl. der GCIs hinzugenommen. SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm Tableau-Verfahren: Blocking (1) Terminierungsproblem bei zyklischen Axiomen (z. B. in ALC) Beispiel: TBox mit Mensch hat-mutter.mensch Fügt Mensch hat-mutter.mensch zu jedem Knoten hinzu! x 1 : {Mensch, ( Mensch hat-mutter.mensch), hat-mutter.mensch} x 1 hat-mutter x 2 x 2 : {Mensch, ( Mensch hat-mutter.mensch), hat-mutter.mensch} x 2 hat-mutter x 3 x 3 : {Mensch, ( Mensch hat-mutter.mensch), hat-mutter.mensch} Zyklische TBoxen Einfache zyklische TBox T : B = A p.b Mit der initialen Interpretation I : I = {a, b, c, d} A I = {a, b, c, d} p I = {(a, b), (c, d), (d, d)} Welche Interpretation besitzt B? 1 B I = {a, b}? 2 B I = {a, b, c, d}? Fixpunktoperator für A = r.a: λf.{a I b :(a, b) r I b F} Deskriptive Semantik: Fordert, dass A = F (A) mindestens eine Lösung besitzt. Kleinste Fixpunktsemantik: Interpretation von A = F(A) mit kleinstmöglichen Lösung (falls existent). Größte Fixpunktsemantik: Interpretation von A = F(A) mit größtmöglicher Lösung (falls existent). SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm 1-191
2 Tableau-Verfahren: Blocking (2) Tableau-Verfahren: Dynamisches Blocking (1) Bei der Generierung neuer Knoten wird untersucht, ob der neue Knoten eine Untermenge seines Vorgängers repräsentiert. ( deskriptive Semantik) Ist ein solcher Knoten gefunden, wird dessen Expansion blockiert. x 1 : {Mensch, ( Mensch hat-mutter.mensch), hat-mutter.mensch}. Blocked x 1 hat-mutter x 2 x 2 : {Mensch, ( Mensch hat-mutter.mensch)} x 1 : {Mensch, ( Mensch hat-mutter.mensch)}. hat-mutter Ein Block repräsentiert ein zyklisches Modell. Problem: Einfaches Blocken reicht für ausdrucksmächtigere Sprachen nicht! Zum Beispiel inverse Relationen: Expansion eines Knoten kann Vorgänger betreffen. Blocken von Expansionen unterbindet jedoch diese Effekte. Beispiel: Unerfüllbarkeit von C s.c bzgl. TBox: T = { r 1.( s 1. C), r.c} Mit primitivem Blocking: x : {C, s.c, r 1.( s 1. C), r.c, }.... r s.. y : {C, r 1.( s 1. C), r.c} z : {C, r 1.( s 1. C), r.c} SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm Tableau-Verfahren: Dynamisches Blocking (2) Beispiele Tableauxverfahren Lösung für inverse Relationen ist dynamisches Blocken: Ein Block kann etabliert, aufgehoben und wieder etabliert werden. Etablierung gdw. einer der Vorgänger die identische Menge von Konzepten besitzt. x : {C, s.c, r 1.( s 1. C), r.c, }.. r s. y : {C, r 1.( s 1. C), r.c} z : {C, r 1.( s 1. C), r.c, s 1. C} r w : {C, r 1.( s 1. C), r.c} Beispiel 1: Folgende TBox ist gegeben: qi. = q 1 N. =( 0 q) M. =( 1 q) q.m qi.n Lässt sich (mit Hilfe eines Tableaubeweises) ableiten das M erfüllbar? Beispiel 2: Folgende TBox ist gegeben: r 5 r 2 r 3 r 1 ( 1 r 1 ) r 4 r 2 r 4 r 1 ( 1 r 2 ) E. = r 3.C r 4.D F. = r 5.C Lässt sich (mit Hilfe eines Tableaubeweises) ableiten das E F? SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm 1-195
3 Tableau-Verfahren: Unendliche Modelle, Doppeltes Blocken Implementierung von Tableau-Methoden: Kriterien Übliche Kriterien: Weitere Spezialfälle benötigen noch ausgefeiltere Mechanismen: Behandlung von unendlichen Modellen (wg. Kardinalitätseinschränkung) Doppeltes Blocken (paarweises Blocken)... Reihe von Veröffentlichungen bzgl. Spezialaspekten von Beschreibungslogiken und Tableau-Methoden. Siehe vor allem [Horrocks et. al.,...] und [Möller et. al.,...] Speicherplatz Speicher für Tableau-Datenstrukturen (Knoten, Kanten, Pfade) Selten ein ernstes Problem in der Praxis (auch wg. tiefenorientiertem Vorgehen) Laufzeit Suche wegen nicht-deterministischer Expansionen nötig Ernsthaftes Problem in der Praxis Mögliche Maßnahmen: Sorgfältige Auswahl des Algorithmus Hochoptimierte Implementierung SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm Implementierung von Tableau-Methoden: Algorithmus Implementierung von Tableaux-Methoden: Optimierung Optimierung auf zwei Ebenen: Transitive Relationen anstatt transitiver Hülle: Deterministische Expansion von r +.C (auch wenn r transitiv) (Relativ) simple Block-Bedingungen Zyklen repräsentieren immer zyklische Modelle Direkte statt allgemeine Modellierung: GCIs (general concept inclusion) können dazu verwendet werden, traditionelle Konstrukte zu simulieren. Z. B. Ursprungsbereich (domain): r C r. C Hohe Ausdrucksmächtigkeit Jedoch: Komplexitätsfalle insb. mit großer Anzahl von Relationen! Berechnung der partiellen Hierarchie von Begriffen (Klassifikation) Ziel: Minimierung der Anzahl der Subsumtionstests Anwendung von standard Techniken aus der Ordnungstheorie Z. B. Erweitertes Traversieren (verw. von Informationen aus früheren Tests) Ausnutzung von strukturellen Informationen der WB Z. B. Auswahl der Klassifikationsreihenfolge Berechnung der Subsumtionsbeziehung zwischen Begriffen Ziel: Minimierung der Kosten eines Subsumtionstests Problem: Kleine Anzahl schwieriger Vergleichsfälle kann multiplikativ wirken Forschungsaktivitäten hauptsächlich in diesem Bereich SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm 1-199
4 Implementierung: Optimierung von Subsumtionstests Implementierung: Vorverarbeitende Optimierung (Vereinfachung) Techniken aus zwei Kategorien: Vorverarbeitende Optimierung Ziel: Vereinfachung der WB zur Unterstützung der Subsumtionstests Weitestgehend unabhängig vom verw. Subsumtionsalgorithmus Insbesondere wichtig wenn GCIs vorhanden Algorithmische Optimierung Ziel: Reduzierung des Suchraums (verursacht durch Nichtdeterminismus) Integraler Bestandteil der Implementierung (vgl. mit anderen suchbasierten Vorgehensweisen) Normalisierung und Vereinfachung von Konzepten Lexikalische Normalisierung und Vereinfachung: (D C) (A D) A C D r.... C... C... Auffalten nach Bedarf (lazy unfolding) beim Aufbau des Tableaux: Geeignete Verwaltung von und Zugriffsmöglichkeit auf komplexe (benannte) Konzepte Auffalten nur dann, wenn bzgl. nächstem Expansionsschritt nötig Widerspruch zwischen lexikalisch gleichen Konzepten möglichst früh erkennen SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm Implementierung: Vorverarbeitende Optimierung (Absorption) Implementierung: Vorverarbeitende Optimierung (Rollenabsorption) Schlussfolgern mit GCI-Axiomen ist sehr aufwändig: GCI C D fügt D C zu jedem Knoten hinzu Expansion der Disjunktion führt zur Suche Mit 10 Axiomen und nur 10 Knoten ergibt sich ein Suchraum von Absorption: Eliminierung von GCIs durch primitive Definitionen (mit A als atomarem Konzept): 1 Transformierung: A C D A D C C A D A C D 2 Integration in existierende primitive Definitionen: A B, A D C A B (D C) Zusammen mit lasy unfolding werden Disjunktionen nur zu betroffenen Knoten hinzugefügt. Einfache Rollen-Absorption: Axiome der folgenden Art werden als Rollenaxiome kodiert: Erweiterte Rollen-Absorption: r. C domain(r, C) r.c range(r, C) Axiome der folgenden Art werden als Rollenaxiome kodiert, wobei eine Fallunterscheidung (Disjunktion) nötig wird: r.c D domain(r, D r.c) D r.c domain(r, D. C) Bem.: Die Disjunktion wirkt sich jedoch nur auf existierende r-nachfolger/vorgänger im Tablau aus. Prototyp. Implementierung in FaCT++ zeigt signifikante Steigerung der Performance. SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm 1-203
5 Implementierung: Algorithmische Opt. (Backtracking u. Caching) Implementierung: Zusammenfassung Vermeidung von redundanten Abstiegen Syntaktisches Verzweigen mit no-good-liste Abhängigkeitsgesteuertes Zurückspringen Markierung von Konstrukten, die in Verzweigungen eingefügt wurden Bei Widerspruch: Identifikation des zuletzt eingefügten Begriffs, der hierfür verantwortlich ist. Rücksprung an diese Verzweigung ohne Untersuchung alternativer Zweige Caching Zwischenspeicherung der Erfüllbarkeitsstati von Knoten Vermeidung der Berechnung identischer Knoten Neuer Knoten Abgleich mit Zwischenspeicher Berechnung für einen Knoten abgeschlossen Zwischenspeicher aktualisieren Ausnahmebehandlung bei Blocking und inversen Relationen nötig Naive Implementierung führt zur Nicht-Terminierung Problem der nicht-deterministischen Expansion (Suche nötig) Insb. GCIs vergrößern den Suchraum Lösungsmöglichkeiten: Umsichtige Wahl der Logik/Algorithmus Vermeidung von GCIs zur Kodierung bekannter Konstrukte Optimierte Implementierung Wichtigste Optimierungstechniken: Absorption Abhängigkeitsgesteuertes Zurückspringen bei Widerspruch Zwischenspeichern von Teilergebnissen SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm Systeme erster Generation Ursystem: KL-ONE Ron Brachman (ca ), auch Schmolze und Lipkis Implementiert in Interlisp. Als Vererbungssystem entworfen (in Anlehnung an Frame-Systeme) Vollständige formale Semantik erst später Erweiterungen nach und nach KRYPTON Nachfolger von KL-ONE Reduzierte Sprachmittel: Konjunktion, Werterestriktion und Rollenverkettung Polynomieller Subsumtionsalgorithmus NIKL, PENNI, KL-TWO Ebenfalls Nachfolger von KL-ONE Z. T. mit ABox-Schlussfolgerungsfunktionen SS10, Inst. für KI, Uni Ulm Systeme zweiter Generation CLASSIC BACK FLEX Borgida, Patel-Schneider (ab ca. 1989) ALN FH 1 plus ABox-Schlussfolgerungen Implementiert in CommonLisp (und C) Struktureller Subsumtionsalgorithmus Erstmals Dokumentation und komfortable Benutzerschnittstelle Versuch einer Erklärungskomponente Back (Berlin Advanced Computational Knowledge rep. system ab ca. 1985) ALQR 1 Unvollständiger Subsumtionsalgorithmus BACK-Nachfolger ALCQRIFO Implementiert in Prolog SS10, Inst. für KI, Uni Ulm 1-207
6 Loom-Nachfolger: PowerLoom Systeme dritter Generation: FaCT (Racer, DLP) Nachfolger von Loom Sprache: PL1 + eingeschränkte Form von PL2 (Variante von KIF 3.0) + Default-Schlussfolgern + probabilistisches Schließen + NN Implementierung in STELLA (getypte Lisp-ähnliche Sprache mit Compilern nach CommonLisp, C++ und Java) Aber: Implementierung noch im Alpha-Stadium! (defconcept Mensch ()) (deffunction alter ((?m Mensch)) :-> (?a Integer)) (defrelation hat-kind ((?x Mensch) (?y Mensch))) (defconcept Frau (Mensch)) (defconcept Mann (Mensch)) (assert (forall ((?x Mensch)) (=> (?x Mann) (not (?x Frau))))) (defconcept Vater (Mann) :<=> (exists (?x Mensch) (hat-kind?self?x))) (defconcept Schwiegermutter-einer-Ehefrau (?m Mutter) :<=> (exists (?x Mensch) (and (hat-kind?m?x) (exists (?y Ehefrau) (verheiratet-mit?x?y))))) FaCT (Fast Classification of Terminologies) Entwickler: Ian Horrocks, University of Manchester, Dept. of Computer Science Sprache: SHIQ + GCIs {A,, r, r +, C D, C D, C, r.c, r.c, r s, r 1, nrc, nrc} S H I Q Jedoch: FaCT bietet nur TBox-Schlussfolgerungen (keine ABox) Subsumtionsalgorithmus (Tableaux-Methode): Korrekt & Vollständig Anwendungen: GALEN-Projekt Medizinische Terminologie (2740 Konzepte mit 700 abgeleiteten Konzepten; 413 Relationen davon 26 transitive Relationen; 1214 GCIs) Klassifikation in wenigen Minuten (mehr als 12 Tsd. Subsumtionstests) Auf FaCT aufbauend: ICOM, OilEd. SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm Beschreibungslogiken Zusammenfassung Literatur und Links zum Kapitel Mit formaler Syntax und Semantik aus den Erfahrungen mit früheren Formalismen (Semantischen Netzen, strukturierten Vererbungsnetzen, Frame-Systeme) In abstrakter Notation variablenfrei darstellbar. Entspr. etwa dem sog. guarded L 2 PL1-Fragment. Repräsentationskonstrukte: Konzepte (unäre Prädikate), Rollen (binäre Prädikate/Funktionen) plus Konstruktoren. Subsumtion zentrales Organisationsprinzip und Fragestellung. Expressiveness-Completeness Trade-off Strukturelle und tableau-basierte Algorithmen Interessante (prototypische) Systeme Variante von Multi-Modallogiken [Schild 1991] Verwandt mit Feature-Logiken [Nebel-Smolka 1990] [Nardi & Brachman, 2002] D. Nardi, R. J. Brachman. An Introduction to Description Logics, Description Logic Handbook, Cambridge University Press, 2002 [Baader & Nutt, 2002] Baader, Nutt Basic Description Logics, Description Logic Handbook, Cambridge University Press, 2002 [Patel-Schneider & Swartout, 1993] P. Patel-Schneider, B. Swartout, KRSS DL specification, 1993 [Baader et. al.] F. Baader, I. Horrocks, U. Sattler Description Logics, Handbook on Ontologies, in Staab & Studer., Springer Verlag, [Horrocks] I. Horrocks, FaCT or fiction?, Proc. of Int. Conf. on KR (KR98), [Smullyan, 1968] R. M. Smullyan, First Order Logic, Springer-Verlag, Weiterführende Links: DL Homepage: Patrick Lambrix Seite: SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm 1-211
7 Nicht-Standard Inferenzdienste Motivation: Standard-Dienste wie die Berechnung der TBox-Subsumtionshierarchie oder ABox-Konsistenz nicht für jede Situation ausreichend. Insb. (interaktive) Dienste für die Erstellung und Verfeinerung von Wissensbasen gefordert. Z. B.: Erkennung syntaktisch verschiedener Definitionen eines semantisch ähnlichen Begriffs Erzeugung/Lernen von Konzepten aus gegebenen Beispielen Vereinfachung von Ausdrücken Identifikation der Ursache einer größeren Menge von inkonsistenten Konzepten Erklärung von Schlussfolgerungen... Least Common Subsumer (kleinster gemeinsame Subsumer) Intuitiv: Der least common subsumer (lcs) einer Menge von Konzepten besteht aus einer Beschreibung der Eigenschaften, die alle Konzepte gemeinsam haben. Least Common Subsumer Sei L eine Beschreibungslogik. Eine Konzeptbeschreibung E von L ist der least common subsumer (lcs) der Konzeptbeschreibungen C 1,...,C n in L (kurz lcs(c 1,...,C n)) gdw. (i) C i E für alle i = 1,...,n und (ii) E ist das speziellste L-Konzept welches (i) erfüllt, d. h. falls E ein L-Konzept mit C i E für alle i = i,...,n, dann E E. Bemerkung: Ein lcs muss nicht notwendigerweise existieren (evtl. gibt es eine unendliche Kette von immer spezielleren lcs) Anwendung: Z.B. eine bekannte Methode des induktiven Lernens (spez. Konzept, welches eine Menge von Beispielen generalisiert) Jedoch: Für Sprachen mit Disjunktion gilt lcs(c 1,...,C n) C 1 C n SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm Most Specific Concept (speziellste Konzept) Berechnung des lcs Idee: bottom-up Konstruktion von TBox-Beschreibungen aus typischen Beispielen in der ABox. Most Specific Concept Eine Konzeptbeschreibung E von L ist das most specific concept (mcs) der Individuen a 1,...,a n einer ABox A (kurz msc(a 1,...,a n)) gdw. (i) A = E(a i ) für alle i = 1,...,n und (ii) E ist das speziellste L-Konzept welches (i) erfüllt, d. h. falls E ein L-Konzept mit A = E (a i ) für alle i = i,...,n, dann E E. Inhärenter Zusammenhang mit lcs: mcs(a 1,...,a n) lcs(mcs(a 1 ),...,mcs(a n)) Konzeptionelles Vorgehen am Beispiel FL 0 (, ): Voraussetzung: Umformung in concept-centered normal form (CCNF) Sei N C die endliche Menge von atomaren Konzepten und N R die endliche Menge von Relationsnamen, dann ist die CCNF eines Konzeptes C wie folgt aufgebaut: C A NC U A.A Z.B.: C = r.( s.a r.b) s. s.a lässt sich in CCNF wie folgt umformen: C r. s.a s. s.a r. r.b Sei D in CCNF ( A NC V A.A) {rs, ss}.a {rr}.b Es gilt dann: C D gdw. V A U A für alle A N C. Daraus folgt, dass: lcs(c, D) A NC (U A V A ).A SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm 1-215
8 Berechnung des lcs (Beispiel) Unifikation Idee: Ersetzung von Konzeptnamen (im Sinne von Variablen) zur Bestimmung von Äquivalenz oder Subsumtion. Einfaches Beispiel: Sei C {rs, ss}.a {rr}.b D {rs, rr}.a {rr, sr}.b dann ist lcs(c, D) {rs}.a {rr}.b Motivation: Das verteilte Arbeiten mehrerer Personen an einer großen Wissensbasis führt zur verschiedenen Definitionen eines intuitiv identischen Sachverhalts/Konzepts. Beispiel: C hat-kind. hat-kind.reich hat-kind.rvr D Akr hat-kind.akr hat-kind. hat-kind. hat-ehepartner.reich Mit den Ersetzungen Reich hat-ehepartner.reich für Rvr (reich und reich verheirated) und hat-kind.reich für Akr (alle Kinder sind reich) gilt, dass C D. Die Substitution, die zwei Konzepte C und D äquivalent macht nennt man Unifikator von C und D. SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm Konzeptvariablen und Unifikator Matching Es muss jedoch klar sein bzw. entschieden werden, welche der Konzeptnamen substituiert werden sollen (jene nennt man Konzeptvariablen). FL 0 -Konzeptmuster (concept patterns) sind z. B. definiert durch: C, D X A r.c C D (mit X als Konzeptvariable) Unifikator Seien C, D FL 0 -Konzeptmuster. Dann ist die Substitution σ ein Unifikator des Unifikationsproblems C? D gdw. σ(c) σ(d). Bemerkung: Die Existenz eines Unifikators sagt jedoch nichts über eine tatsächliche intuitiv identische Beschreibung aus! (Unifikation in FL 0 ist ExpTime vollständig) Matching ist ein Spezialfall der Unifikation in der eine der beiden Ausdrücke keine Variablen enthält. matching modulo equivalence Sei C eine Konzeptbeschreibung und D ein FL 0 -Konzeptmuster. Für das Matchingproblems C? D ist σ ein matcher gdw. C σ(d). Bemerkung: Matching modulo subsumtion (C? D) kann überführt werden in matching modulo equivalence (C? C D). Matching ist eine Möglichkeit uninteressante Aspekte/Teile komplexer Beschreibungen insb. in großen Wissensbasen zu filtern. Beispiel: Ein Matching des Konzepts D = research-interests.x gegen das Konzept C = pets.cat research-interests.ai hobbies.gardening besitzt einen minimalen matcher σ = {X AI} modulo subsumtion. SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm 1-219
9 Concept Rewriting Explaining Das Problem des concept rewriting besteht in der äquivalenten Transformation von Konzeptbeschreibungen einer Beschreibungslogik L 1 in eine Logik L 2. Bemerkung: Falls keine äquivalente Beschreibung existiert ist man an einer möglichst guten Approximation interessiert. Motiviert ist diese Problemstellung z. B. durch: Übersetzungen von Wissensbasen zwischen verschiedenen Systemen Minimierung der Größe von Konzeptausdrücken zur besseren Übersichtlichkeit (L 1 und L 2 müssen nicht notwendigerweise verschieden sein) Optimierung von Anfragen, z, B. durch Ausnutzung von bereits beantworteten Anfragen auf Datenbanken (anstelle von kostenintensivem Zugriff auf die zugrundeliegenden Daten) (NP-hart für ALN ) Erklärungskomponente bzgl. Subsumtion (Äquivalenz oder Unerfüllbarkeit). Relativ naheliegend für Inferenzprozeduren mit struktureller Subsumtion. Erklärung der Umformungen für die Entwicklung der Normalform (auch on-the-fly) Erklärung des strukturellen Vergleichs einzelner Konstrukte (plus rekursiven Aufruf) Problem: Nur für Sprachen die mit dem strukturellen Ansatz handhabbar sind geeignet. Beispiel: E A = ( r.e) ( r.c) B = r.d D = ( 1 q) C = q.e Zu erklärende Fragestellung: A? B SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm Tableau-basiertes Explaining (1) Tableau-basiertes Explaining (2) Die Erklärung der Tableau-Regeln für ALE sind relativ straightforward. Idee: Schritt-für-Schritt Erläuterung der Umformungsschritte und Tableau-Regeln Problem: Das Tableauverfahren führt einen Widerspruchsbeweis! Lösung: Tagging des negierten Ausdrucks (rechte Seite) und Rückberechnung für die Erklärung. Beispiel: Der Ausdruck A entspricht dem Subsumtionsproblem: A und wird erklärt: Everything is subsumed by the most general concept. Darüber hinaus müssen alle Auffaltungsschritte erläutert werden. Beispiel: C. = r.a D. = r.b mit C D wird erklärt als We have to check whether C D which unfolds to r.a r.b. Bemerkungen zur Erweiterung des Sprachumfangs: Kardinalitätseinschränkungen Für ( nr) und ( nr) mit n {0, 1} muss bei der Erklärung (die durch einen Widerspruch erzeugt wird) jeweils die Seite des jew. Konstrukts berücksichtigt werden (4 Fälle). Das Verschmelzen von Nachfolgern (merging) bedarf zusätzlicher Erklärung. Rollenhierarchie Zusätzliche Erklärung für Sub-Rollen nötig (da jeder Füller immer auch ein Füller der Super-Rolle Kardinalitätseinschränkungen). Domain und Range Erklärung für Einschränkungen die die Bild- und Ursprungsangaben erzeugen. Transitive Rollen Propagierung von Einschränkungen durch transitive Rollen müssen erklärt werden. Optimierungen Umschalten auf Erklärung von Unerfüllbarkeit, falls diese auf einer der beiden Seiten (unabhängig von der anderen Seite) auftritt. Lexikalische Analyse Verstecken von Komponenten, die nicht zum Widerspruch beitragen SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm 1-223
10 Tableau-basiertes Explaining (Beispiel 1) Tableau-basiertes Explaining (Beispiel 2) SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm Tableau-basiertes Erklären von Nicht-Subsumtion (1) Tableau-basiertes Erklären von Nicht-Subsumtion (2) Motivation: Wie lässt sich eine erwartete aber nicht existente Subsumtionsbeziehung herstellen? Erklärung von Nicht-Subsumtion: Nicht-Subsumtion resultiert in mind. einem Gegenbeispiel (Modell) Potentiell unendlich viele Möglichkeiten das Tableau zu schließen Idee: Identifikation typischer Modellierungsfehler (z. B. anstatt, anstatt, usw.) Bewertung von Vorschlägen anhand einer Metrik (z. B. Folgeänderungen in der Ontologie) Streichen trivialer Änderungsvorschläge SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm 1-227
11 Debugging von Wissensbasen Problem: Ein einzelner Widerspruch in einer großen Wissensbasis (TBox) kann zu einer Inkonsistenz vieler weiterer Konzepte führen. Kettenreaktion von einander abhängigen Inkonsistenzen Ist A inkonsistent, dann werden in einem ersten Schritt alle Konzepte mit beispielsw. folgenden Definitionen zwangsläufig ebenfalls inkonsistent: r.a, A, ( 1 ra),... Aufgabe: Identifikation der eigentlichen (minimalen) Quelle der Inkonsistenz Idee: [Schlobach, Cornet 03] Axiom Pinpointing: Erkennung der für die Inkonsistenz verantwortlichen Axiome Concept Pinpointing: Vereinfachung dieser Axiome Axiom Pinpointing (1) Ein Axiom ist relevant, falls eine inkonsistente TBox (oder zumindest ein Konzept) erfüllbar wird, wenn dieses Axiom aus der TBox entfernt wird. TBox: ax 1 : A 1 = A A 2 A 3 ax 2 : A 2 = A A 4 ax 3 : A 3 = A 4 A 5 ax 4 : A 4 = s.b C ax 5: A 5 = s. B ax 6 : A 6 = A 1 r.(a 3 C A 4 ) ax 7: A 7 = A 4 s. B A B C Die unerfüllbaren Konzepte dieser TBox sind: {A 1, A 3, A 6, A 7} Minimal unsatisfiability preserving TBox T Sei A ein unerfüllbares Konzept in T. Die Menge T T ist eine minimale Unerfülbarkeitserhaltende sub-tbox (MUPS), falls A unerfüllbar in T und erfüllbar in jeder sub-tbox T mit T T mups(t, A 1 )={{ax 1, ax 2 }, {ax 1, ax 3, ax 4, ax 5}} mups(t, A 7)={{ax 4, ax 7}} mups(t, A 6 )={{ax 1, ax 2, ax 4, ax 6 }, {ax 1, ax 3, ax 4, ax 5, ax 6 }} mups(t, A 3 )={{ax 3, ax 4, ax 5}} SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm Axiom Pinpointing (2) Concept Pinpointing Identifikation von kleinsten Mengen von Axiomen bzgl. TBox-Inkonsistenz: Minimal incoherence preserving sub-tboxes Sei T eine inkonsistente TBox. Eine TBox T T ist eine minimale unerfüllbarkeitserhaltende sub-tbox (MIPS) von T, falls T inkonsistent ist und T T mit T konsistent für alle sub-tboxen T mips(t )={{ax 1, ax 2 }, {ax 3, ax 4, ax 5}, {ax 4, ax 7}} Anzahl und Größe der MIPS einer TBox geben Hinweise bzgl. der Ursache inkonsistenter Wissensbasen. Taucht ein Axiom in mehr als einem MIPS auf (z. B. ax 4 ), sagt dies etwas über den Grad der Auswirkungen auf andere Cluster von Inkonsistenzen aus. Jedoch: Den oder die tatsächlichen Modellierungsfehler muss letztendlich der Modellierer selbst erkennen und beheben ( erfordert ein Verständnis der zu modellierenden Domäne). Vereinfachung der relevanten Axiome auf die Konstrukte, die den Widerspruch verursachen. Vorgehen: Syntaktische Generalisierung C von Konzepten C in der Form, dass C C ohne die vorherigen Eigenschaften zu verlieren (d. h. maximale Generalisierung bei gleichzeitiger Beibehaltung der MUPS und MIPS). Notation: Die generalisierte unerfüllbarkeitserhaltende Terminologie (GIT) einer TBox T bezeichnet man mit git(t ). Im vorhergehenden Beispiel: git(t )={{A 1 = A A}, {A 3 = s.b s. B}, {A 7 = s.b s. B}} Prototypische Realisierung für definitorische ALC Terminologien: Java-Implementierung mit RACER für Axiom Pinpointing Medizinische KB (DICE) mit 529 Konzepten und 45 Relationen (initial: 76 unerfüllbare Konzepte). SS10, Inst. für KI, Uni Ulm SS10, Inst. für KI, Uni Ulm 1-231
12 Zusammenfassung: Nicht-Standard Inferenzdienste Bedarf an nicht-standard Inferenzdiensten ist vorhanden (insb. im Umfeld der werkzeugunterstützten KB-Entwicklung). Problem: Einige der Dienste sind nur für ausdrucksschwache Sprachen sinnvoll. Andere Dienste basieren auf strukturellen Prozeduren Im Allgemeinen recht hohe Komplexität Darüber hinaus: Interaktivität aktueller Schlussfolgerungssysteme dürftig (traditionell nur batch-orientierte Verarbeitung) Aktuelles Gebiet der Forschung SS10, Inst. für KI, Uni Ulm 1-232
Allgemeine Axiome in Tableaus. Tableau-Verfahren: ABox. Zyklische TBoxen. Tableau-Verfahren: Blocking (1)
Tableau-Verfahren: ABox Die Erfüllbarkeit einer ABox kann ebenfalls durch die Tableau-Methode entschieden werden. Hinweis: Für UNA müssen Ungleichheiten (indiv i indiv j ) paarweise für alle Individuen
MehrNicht-Standard Inferenzdienste. Least Common Subsumer (kleinster gemeinsame Subsumer) Berechnung des lcs. Most Specific Concept (speziellste Konzept)
Nicht-Standard Inferenzdienste Motivation: Standard-Dienste wie die Berechnung der TBox-Subsumtionshierarchie oder ABox-Konsistenz nicht für jede Situation ausreichend. Insb. (interaktive) Dienste für
MehrEliminierung der TBox. Definitorische Terminologien. Normalisierte Terminologien. Eliminierung der TBox (Beispiel)
Eliminierung der TBox Subsumtion von Begriffen kann auf einfache Unerfüllbarkeit reduziert werden. (Mann ) Mann (Mann ) Mann ist unerfüllbar. Problem: Wie geht man vor, wenn auf Begriffe aus der TBox referenziert
MehrAuffalten der ABox und Instanzklassifikation. Schlussfolgerungsdienste bzgl. der ABox (1) Fragestellung des speziellsten Begriffs zu einem Individuum
Schlussfolgerungsdienste bzgl. der ABox (1) Auffalten der ABox und Instanzklassifikation Zwei Arten von Aussagen: Konzeptinstantierung a : C und Relationsinstantierung (a, b) : r. Analog zur Konzepten,
MehrBeschreibungslogik Kapitel 7: ABoxen und Anfragebeantwortung
Beschreibungslogik Kapitel 7: ABoxen und Anfragebeantwortung Sommersemester 2017 Thomas Schneider AG Theorie der künstlichen Intelligenz (TdKI) http://tinyurl.com/ss17-bl Beschreibungslogik SoSe 2017 7
MehrBeschreibungslogiken. Daniel Schradick 1schradi@informatik.uni-hamburg.de
Beschreibungslogiken Daniel Schradick 1schradi@informatik.uni-hamburg.de Was sind Beschreibungslogiken? Definition: Formalisms that represent knowledge of some problem domain (the world ) by first defining
MehrErklärung und Korrektur von Nicht-Subsumtion in Ontologien
Diplomarbeit Erklärung und Korrektur von Nicht-Subsumtion in Ontologien Julian Lambertz Universität Ulm 2007 Institut für Künstliche Intelligenz 1. Gutachter Prof. Dr. Friedrich von Henke 2. Gutachter
MehrTableaukalkül für Aussagenlogik
Tableaukalkül für Aussagenlogik Tableau: Test einer Formel auf Widersprüchlichkeit Fallunterscheidung baumförmig organisiert Keine Normalisierung, d.h. alle Formeln sind erlaubt Struktur der Formel wird
Mehr5. Beschreibungslogiken und Web-Ontologien. Eigenschaften von Beschreibungslogiken. Das Grundvokabular besteht aus
5. Beschreibungslogik und Web-Ontologien Einführung in Beschreibungslogiken 5. Beschreibungslogiken und Web-Ontologien 5. Beschreibungslogik und Web-Ontologien Einführung in Beschreibungslogiken Das Grundvokabular
MehrDescription Logics as Ontology Languages for the Semantic Web
Description Logics as Ontology Languages for the Semantic Web Franz Baader, Ian Horrocks, Ulrike Sattler Beschreibungslogik Martin Hofmann, Hans Leiß Hauptseminar, Sommersemester 2008 CIS + Institut für
MehrBeweisen mit Semantischen Tableaux
Beweisen mit Semantischen Tableaux Semantische Tableaux geben ein Beweisverfahren, mit dem ähnlich wie mit Resolution eine Formel dadurch bewiesen wird, dass ihre Negation als widersprüchlich abgeleitet
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 28. Aussagenlogik: DPLL-Algorithmus Malte Helmert Universität Basel 2. Mai 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26. Grundlagen 27. Logisches
MehrTerminologische Logik
Terminologische Logik auch: Beschreibungslogik oder Begriffslogik (engl. description logic, terminological logic) Terminologische Logiken sind Teilsprachen der Prädikatenlogik, die speziell auf die Beschreibung
MehrBaader Nutt 1: Basic Description Logics
Baader Nutt 1: Basic Description Logics Ludwig Maximilians Universität München Sommersemester 2009 Institut: CIS Hauptseminar: Beschreibungslogik Seminarleiter: Hans Leiß, Martin Hofmann Referentin: Natalia
MehrLogik Vorlesung 3: Äquivalenz und Normalformen
Logik Vorlesung 3: Äquivalenz und Normalformen Andreas Maletti 7. November 2014 Überblick Inhalt 1 Motivation und mathematische Grundlagen 2 Aussagenlogik Syntax und Semantik Äquivalenz und Normalformen
MehrEinführung in die Methoden der Künstlichen Intelligenz. Klausurvorbereitung Überblick, Fragen,...
Einführung in die Methoden der Künstlichen Intelligenz Klausurvorbereitung Überblick, Fragen,... PD Dr. David Sabel SoSe 2014 Stand der Folien: 18. Juli 2014 Klausur Termin: Donnerstag 31. Juli um 9.15h
MehrGrundlagen der Logik
Grundlagen der Logik Denken Menschen logisch? Selektionsaufgabe nach Watson (1966): Gegeben sind vier Karten von denen jede auf der einen Seite mit einem Buchstaben, auf der anderen Seite mit einer Zahl
MehrLogic in a Nutshell. Christian Liguda
Logic in a Nutshell Christian Liguda Quelle: Kastens, Uwe und Büning, Hans K., Modellierung: Grundlagen und formale Methoden, 2009, Carl Hanser Verlag Übersicht Logik - Allgemein Aussagenlogik Modellierung
MehrSyntax. 1 Jedes A AS AL ist eine (atomare) Formel. 2 Ist F eine Formel, so ist auch F eine Formel. 3 Sind F und G Formeln, so sind auch
Formale der Informatik 1 Kapitel 15 Folgerbarkeit, Äquivalenzen und Normalformen Frank Heitmann heitmann@informatik.uni-hamburg.de 8. Juni 2015 Syntax Definition (Syntax der Aussagenlogik) Mit AS AL sei
Mehr1. Einführung in Temporallogik CTL
1. Einführung in Temporallogik CTL Temporallogik dient dazu, Aussagen über Abläufe über die Zeit auszudrücken und zu beweisen. Zeit wird in den hier zunächst behandelten Logiken als diskret angenommen
Mehr5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS)
5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS) Sommersemester 2009 Dr. Carsten Sinz, Universität Karlsruhe Datenstruktur BDD 2 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer:
MehrÜbersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit)
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern 7. Logische Agenten 8. Prädikatenlogik 1. Stufe 9. Schließen in der Prädikatenlogik 1. Stufe 10. Wissensrepräsentation IV
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 7. Aussagenlogik Analytische Tableaus Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Der aussagenlogische Tableaukalkül
MehrAlgorithmen für OBDD s. 1. Reduziere 2. Boole sche Operationen
Algorithmen für OBDD s 1. Reduziere 2. Boole sche Operationen 1 1. Reduziere siehe auch M.Huth und M.Ryan: Logic in Computer Science - Modelling and Reasoning about Systems, Cambridge Univ.Press, 2000
Mehr5.1 Inferenz. Theorie der Informatik. Theorie der Informatik. 5.1 Inferenz. 5.2 Resolutionskalkül. 5.3 Zusammenfassung. Inferenz: Motivation
Theorie der Informatik 9. März 2015 5. Aussagenlogik III Theorie der Informatik 5. Aussagenlogik III 5.1 Inferenz Malte Helmert Gabriele Röger 5.2 Resolutionskalkül Universität Basel 9. März 2015 5.3 Zusammenfassung
MehrEinführung in die Methoden der Künstlichen Intelligenz. Konzeptbeschreibungssprachen
Einführung in die Methoden der Künstlichen Intelligenz Konzeptbeschreibungssprachen Dr. David Sabel WS 2012/13 Stand der Folien: 11. Februar 2013 Vorgänger Description Logic T-Box und A-Box Subsumtionsalgorithmen
Mehr4. Logik und ihre Bedeutung für WBS
4. Logik und ihre Bedeutung für WBS WBS verwenden formale Sprache L um Wissen zu repräsentieren Grundidee: Problemlösen = Folgern aus in L dargestelltem Wissen Folgern = implizites Wissen explizit machen
MehrFormale Grundlagen der Informatik 1 Kapitel 16 Normalformen und Hornformeln
Formale Grundlagen der Informatik 1 Kapitel 16 Normalformen und Frank Heitmann heitmann@informatik.uni-hamburg.de 9. Juni 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/36 Ersetzbarkeitstheorem
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 10 4.06.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Organisatorisches Hauptklausur: Montag, 23.07.2012, 16:00-18:00,
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 15.01.2015 INSTITUT FÜR THEORETISCHE 0 KIT 15.01.2015 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
MehrFormale Systeme. Prof. Dr. Bernhard Beckert, WS 2016/ KIT Die Forschungsuniversita t in der Helmholtz-Gemeinschaft
Formale Systeme Prof. Dr. Bernhard Beckert, WS 2016/2017 Aussagenlogik: Tableaukalku l KIT I NSTITUT F U R T HEORETISCHE I NFORMATIK www.kit.edu KIT Die Forschungsuniversita t in der Helmholtz-Gemeinschaft
MehrSS Juli Übungen zur Vorlesung Logik Blatt 11
SS 2011 06. Juli 2011 Übungen zur Vorlesung Logik Blatt 11 Prof. Dr. Klaus Madlener Abgabe bis 13. Juli 2011 10:00 Uhr 1. Aufgabe: [Axiomatisierung, Übung] 1. Definieren Sie eine Formel A n der Prädikatenlogik
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 13. Prädikatenlogik Der Satz von Herbrand Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Semantische Bäume Eine klassische
MehrWas ist Logik? Was ist Logik? Aussagenlogik. Wahrheitstabellen. Geschichte der Logik eng verknüpft mit Philosophie
Was ist Logik? Geschichte der Logik eng verknüpft mit Philosophie Begriff Logik wird im Alltag vielseitig verwendet Logik untersucht, wie man aus Aussagen andere Aussagen ableiten kann Beschränkung auf
Mehr3.1.1 Die Variante T1 und ein Entscheidungsverfahren für die Aussagenlogik
Deduktionssysteme der Aussagenlogik, Kap. 3: Tableaukalküle 38 3 Tableaukalküle 3.1 Klassische Aussagenlogik 3.1.1 Die Variante T1 und ein Entscheidungsverfahren für die Aussagenlogik Ein zweites Entscheidungsverfahren
MehrKapitel L:II. II. Aussagenlogik
Kapitel L:II II. Aussagenlogik Syntax der Aussagenlogik Semantik der Aussagenlogik Eigenschaften des Folgerungsbegriffs Äquivalenz Formeltransformation Normalformen Bedeutung der Folgerung Erfüllbarkeitsalgorithmen
Mehr23.1 Constraint-Netze
Grundlagen der Künstlichen Intelligenz 1. April 2015 2. Constraint-Satisfaction-Probleme: Constraint-Netze Grundlagen der Künstlichen Intelligenz 2. Constraint-Satisfaction-Probleme: Constraint-Netze Malte
MehrEinschränkung des Ursprungs- und Bildbereichs
Relationsbildende Strukturen Definition einer Relationen durch relationsbildenden Ausdruck. (defrelation RelationName [...] [relation-expr]) relation-expr ::= RelationName... Hinweis: Einige Systeme erlauben
MehrOntology Languages for the Semantic Web
Ontology Languages for the Semantic Web Seminar Web Services and Semantic Web WS 07/08 Florian Leitner Inhalt Ontologie Was ist das? Ontologien und Semantic Web Resource Description Framework (RDF) Web
MehrLogik für Informatiker
Logik für Informatiker Vorlesung 5: Normalformen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 2. November 2017 1/37 MOTIVATION FÜR AUSSAGENLOGIK Aussagenlogik
MehrTableaux-Beweise in der Aussagenlogik
Tableaux-Beweise in der Aussagenlogik Wie kann man auf syntaktische Weise eine Belegung mit Wahrheitswerten finden, die einen gegebenen Ausdruck wahr oder falsch macht? Die Frage schliesst Beweise durch
MehrLoom Eine Kurzeinführung
Loom Eine Kurzeinführung Loom ist ein deklaratives Wissensrepräsentationssystem Implementiert in CommonLisp Entwickelt seit 1986 an der University of Southern California (ISI) System auf der Basis struktureller
MehrInformatik A. Prof. Dr. Norbert Fuhr auf Basis des Skripts von Prof. Dr. Wolfram Luther und der Folien von Peter Fankhauser
Informatik A Prof. Dr. Norbert Fuhr fuhr@uni-duisburg.de auf Basis des Skripts von Prof. Dr. Wolfram Luther und der Folien von Peter Fankhauser 1 Teil I Logik 2 Geschichte R. Descartes (17. Jhdt): klassische
MehrKapitel L:II. II. Aussagenlogik
Kapitel L:II II. Aussagenlogik Syntax der Aussagenlogik Semantik der Aussagenlogik Eigenschaften des Folgerungsbegriffs Äquivalenz Formeltransformation Normalformen Bedeutung der Folgerung Erfüllbarkeitsalgorithmen
MehrResolutionskalkül. wird t als eine Menge K t von Klauseln geschrieben, welche die einzelnen Maxterme repräsentieren:
Resolutionskalkül Ein Kalkül ist eine Kollektion von syntaktischen Umformungsregeln, die unter gegebenen Voraussetzungen aus bereits vorhandenen Formeln neue Formeln erzeugen. Der Resolutionskalkül besteht
MehrSpeech Recognition Grammar Compilation in Grammatikal Framework. von Michael Heber
Speech Recognition Grammar Compilation in Grammatikal Framework von Michael Heber Agenda 1. Einführung 2. Grammatical Framework (GF) 3. Kontextfreie Grammatiken und Finite-State Modelle 4. Quellen 2 1.
MehrDer Hilbert-Kalkül für die Aussagenlogik (Notizen zur Vorlesung Logik im Wintersemester 2003/04 an der Universität Stuttgart)
Der Hilbert-Kalkül für die Aussagenlogik (Notizen zur Vorlesung Logik im Wintersemester 2003/04 an der Universität Stuttgart) Javier Esparza und Barbara König 4. Dezember 2003 Für eine gegebene aussagenlogische
MehrFormale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015
Formale Methoden 2 Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015 Teil 3: Logik 1 Aussagenlogik Einleitung Eigenschaften Äquivalenz Folgerung Normalformen 2 Prädikatenlogik Wenn eine Karte
Mehr4. Alternative Temporallogiken
4. Alternative Temporallogiken Benutzung unterschiedlicher Temporallogiken entsprechend den verschiedenen Zeitbegriffen LTL: Linear Time Logic Ähnlich der CTL, aber jetzt einem linearen Zeitbegriff entspechend
MehrModellierungsmethoden der Informatik Kapitel 2: Logikkalküle
smethoden der Informatik Kapitel 2: Logikkalküle Prädikatenlogik 1. Stufe Norbert Fuhr Gudrun Fischer 29.11.2005 Organisatorisches Organisatorisches Klausur Termin: 20.2.2006, 13-15 Uhr, Audimax Anmeldung
MehrModellierungsmethoden der Informatik Kapitel 2: Logikkalküle
smethoden der Informatik Kapitel 2: Logikkalküle Prädikatenlogik 1. Stufe Norbert Fuhr Gudrun Fischer 29.11.2005 Organisatorisches Organisatorisches Klausur Termin: 20.2.2006, 13-15 Uhr, Audimax Anmeldung
Mehr9. Übung Künstliche Intelligenz
Prof. Dr. Gerd Stumme, Dominik Benz Fachgebiet Wissensverarbeitung 9. Übung Künstliche Intelligenz 21.01.2009 Wintersemester 2008/2009 1 Frames Betrachten Sie nochmals die beispielhafte Frame-Repräsentation
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
MehrGrundbegriffe für dreiwertige Logik
Grundbegriffe für dreiwertige Logik Hans Kleine Büning Universität Paderborn 1.11.2011 1 Syntax und Semantik Die klassische Aussagenlogik mit den Wahrheitswerten falsch und wahr bezeichnen wir im weiteren
MehrEntscheidungsverfahren für Bernays/Schönfinkelbzw. Datenlogik-Formeln
Vorlesung Letz WS 2002/2003 TU München: Logikbasierte Entscheidungsverfahren Entscheidungsverfahren für Bernays/Schönfinkelbzw. Datenlogik-Formeln INHALTE Die Bernays-Schönfinkel-Klasse bzw. Datenlogik-Formeln
MehrAussagenlogische Kalküle
Aussagenlogische Kalküle Ziel: mit Hilfe von schematischen Regeln sollen alle aus einer Formel logisch folgerbaren Formeln durch (prinzipiell syntaktische) Umformungen abgeleitet werden können. Derartige
MehrRalf Möller, TUHH. Beim vorigen Mal: Heute: Prädikatenlogik: Algorithmus für Erfüllbarkeitsproblem. Lernziele: Beweisverfahren für Prädikatenlogik
Ralf Möller, TUHH Beim vorigen Mal: Heute: Prädikatenlogik: Algorithmus für Erfüllbarkeitsproblem Lernziele: Beweisverfahren für Prädikatenlogik Danksagung Bildmaterial: S. Russell, P. Norvig, Artificial
MehrAussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen. notwendig: Existenz- und Allaussagen
Prädikatenlogik 1. Stufe (kurz: PL1) Aussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen notwendig: Existenz- und Allaussagen Beispiel: 54 Syntax der Prädikatenlogik erster Stufe (in der
MehrTeil III. Komplexitätstheorie
Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein
MehrSemantik von Programmiersprachen SS 2017
Lehrstuhl für Programmierparadigmen Denis Lohner Sebastian Ullrich denis.lohner@kit.edu sebastian.ullrich@kit.edu Semantik von Programmiersprachen SS 2017 http://pp.ipd.kit.edu/lehre/ss2017/semantik Lösungen
MehrRegeln fuer OWL. Foliensatz: Markus Kroetzsch, Sebastian Rudolph. Webbasierte Informationssysteme 15. November 2010
Regeln fuer OWL Foliensatz: Markus Kroetzsch, Sebastian Rudolph Webbasierte Informationssysteme 15. November 2010 Die nichtkommerzielle Vervielfaeltigung, Verbreitung und Bearbeitung dieser Folien ist
MehrVorlesung Datenbanktheorie. Church-Rosser-Eigenschaft der Verfolgungsjagd. Berechnung von chase(t, t, Σ) Vorlesung vom Mittwoch, 05.
Vorlesung Datenbanktheorie Nicole Schweikardt Humboldt-Universität zu Berlin Sommersemester 2006 Vorlesung vom Mittwoch, 05. Juli 2006 Letzte Vorlesung: Kurze Bemerkungen zum Armstrong-Kalkül The Chase:
Mehr6. AUSSAGENLOGIK: TABLEAUS
6. AUSSAGENLOGIK: TABLEAUS 6.1 Motivation 6.2 Wahrheitstafeln, Wahrheitsbedingungen und Tableauregeln 6.3 Tableaus und wahrheitsfunktionale Konsistenz 6.4 Das Tableauverfahren 6.5 Terminologie und Definitionen
MehrFORMALE SYSTEME. 8. Vorlesung: Minimale Automaten. TU Dresden, 6. November Markus Krötzsch Lehrstuhl Wissensbasierte Systeme
FORMALE SYSTEME 8. Vorlesung: Minimale Automaten Markus Krötzsch Lehrstuhl Wissensbasierte Systeme TU Dresden, 6. November 2017 Rückblick Markus Krötzsch, 6. November 2017 Formale Systeme Folie 2 von 26
MehrReasoner for the Semantic Web
Reasoner for the Semantic Web KAON & KAON2 Seminar A.I. Tools Erik Endres 18.1.2007 Übersicht Reasoner KAON1 KAON2 & Protégé Reasoner Ontologien machen Daten für Maschinen verarbeitbar. Reasoner setzen
MehrAllgemeingültige Aussagen
Allgemeingültige Aussagen Definition 19 Eine (aussagenlogische) Formel p heißt allgemeingültig (oder auch eine Tautologie), falls p unter jeder Belegung wahr ist. Eine (aussagenlogische) Formel p heißt
MehrTeil 9. Ontologien und Beschreibungslogik
Teil 9 Ontologien und Beschreibungslogik Ontologien - Einführung Ontologie... ist eine philosophische Disziplin, Zweig der Philosophie welcher sich mit der Natur und der Organisation von Wirklichkeit beschäftigt
MehrKonzeptbeschreibungssprachen
Kapitel 9 Konzeptbeschreibungssprachen 9.1 Konzeptbeschreibungssprachen 9.1.1 Semantische Netze Sind (waren) ein Formalismus zur Darstellung von Unterbeziehungen und Enthaltensseinsbeziehungen mittels
MehrNicht-Standard-Logiken. Intuitionistische Aussagenlogik Prädikatenlogik 2. Stufe Modallogik
Nicht-Standard-Logiken Intuitionistische Aussagenlogik Prädikatenlogik 2. Stufe Modallogik Logik für Informatiker, M. Lange & M. Latte, IFI/LMU: Nicht-Standard-Logiken Intuitionistische Aussagenlogik 238
MehrEinführung in die Theoretische Informatik
Technische Universität München Fakultät für Informatik Prof. Tobias Nipkow, Ph.D. Sascha Böhme, Lars Noschinski Sommersemester 2011 Lösungsblatt 9 25. Juli 2011 Einführung in die Theoretische Informatik
MehrReduktion. 2.1 Abstrakte Reduktion
2 Reduktion In diesem Kapitel studieren wir abstrakte Eigenschaften von Regeln. In den ersten beiden Abschnitten betrachten wir nicht einmal die Regeln selbst, sondern nur abstrakte Reduktionssysteme,
MehrTheorie der Informatik Übersicht. Theorie der Informatik SAT Graphenprobleme Routing-Probleme. 21.
Theorie der Informatik 19. Mai 2014 21. einige NP-vollständige Probleme Theorie der Informatik 21. einige NP-vollständige Probleme 21.1 Übersicht 21.2 Malte Helmert Gabriele Röger 21.3 Graphenprobleme
MehrHilbert-Kalkül (Einführung)
Hilbert-Kalkül (Einführung) Es gibt viele verschiedene Kalküle, mit denen sich durch syntaktische Umformungen zeigen läßt, ob eine Formel gültig bzw. unerfüllbar ist. Zwei Gruppen von Kalkülen: Kalküle
MehrDie Nerode-Relation und der Index einer Sprache L
Die Nerode-Relation und der Index einer Sprache L Eine zweite zentrale Idee: Sei A ein vollständiger DFA für die Sprache L. Repäsentiere einen beliebigen Zustand p von A durch die Worte in Σ, die zu p
MehrTerme. Dann ist auch f(t 1. Terme. Dann ist P (t 1
Prädikatenlogik 1. Syntax und Semantik Man kann die Prädikatenlogik unter einem syntaktischen und einem semantischen Gesichtspunkt sehen. Bei der Behandlung syntaktischer Aspekte macht man sich Gedanken
MehrSS2010 BAI2-LBP Gruppe 1 Team 07 Entwurf zu Aufgabe 4. R. C. Ladiges, D. Fast 10. Juni 2010
SS2010 BAI2-LBP Gruppe 1 Team 07 Entwurf zu Aufgabe 4 R. C. Ladiges, D. Fast 10. Juni 2010 Inhaltsverzeichnis 4 Aufgabe 4 3 4.1 Sich mit dem Programmpaket vertraut machen.................... 3 4.1.1 Aufgabenstellung.................................
MehrTeil 7. Grundlagen Logik
Teil 7 Grundlagen Logik Was ist Logik? etymologische Herkunft: griechisch bedeutet Wort, Rede, Lehre (s.a. Faust I ) Logik als Argumentation: Alle Menschen sind sterblich. Sokrates ist ein Mensch. Also
MehrRollenbeziehungen. Beispiel für Rollenbeziehungen
Rollenbeziehungen Um ein Konzept exakt zu definieren, ist es häufig notwendig, nicht nur isoliert für einzelne Rollen Restriktionen zu formulieren, sondern auch Beziehungen zwischen den Rollenfüllermengen
MehrKünstliche Intelligenz Logische Agenten & Resolution
Künstliche Intelligenz Logische Agenten & Resolution Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Inferenz-Algorithmus Wie könnte ein
MehrI. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen.
I. Aussagenlogik 2.1 Syntax Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen. Sätze selbst sind entweder wahr oder falsch. Ansonsten
MehrDaten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation sicher heuristisch überdeckend Entscheidungstabellen
MehrModellierung. Prof.Dr. Hans Kleine Büning, Prof.Dr. Johannes Blömer. Paderborn, 6. Februar Universität Paderborn Institut für Informatik
Modellierung Prof.Dr. Hans Kleine Büning, Prof.Dr. Johannes Blömer Universität Paderborn Institut für Informatik Paderborn, 6. Februar 2015 J. Blömer 1/19 Vorbereitung auf die Klausur 1 Vorlesungsinhalte
MehrHerzlich willkommen!!!
Theoretische Informatik 2 Sommersemester 2013 Prof. Dr. Georg Schnitger AG Theoretische Informatik Johann Wolfgang Goethe-Universität Frankfurt am Main Herzlich willkommen!!! 1 / 19 Kapitel 1: Einführung
MehrUnentscheidbarkeitssätze der Logik
Unentscheidbarkeitssätze der Logik Elmar Eder () Unentscheidbarkeitssätze der Logik 1 / 30 Die Zahlentheorie ist nicht formalisierbar Satz (Kurt Gödel) Zu jedem korrekten formalen System der Zahlentheorie
MehrGrundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Sommersemester 2015 23.04.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Bis jetzt 1. Terminologie 2. Endliche Automaten und reguläre Sprachen
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
MehrLabor Compilerbau. Jan Hladik. Sommersemester DHBW Stuttgart. Jan Hladik (DHBW Stuttgart) Labor Compilerbau Sommersemester / 20
Labor Compilerbau Jan Hladik DHBW Stuttgart Sommersemester 2017 Jan Hladik (DHBW Stuttgart) Labor Compilerbau Sommersemester 2017 1 / 20 Resolution in der Prädikatenlogik testet Erfüllbarkeit (indirekt
MehrSemantik: Semantik von Merkmalsstrukturen
Spezielle Themen der KI : von Subsumption Notation: t 1 t 2 Definition: Eine Merkmalsstruktur t 1 subsumiert eine Merkmalsstruktur t 2 gdw. die Menge der von t 2 beschriebenen Elemente eine Teilmenge der
MehrBerechenbarkeitstheorie 19. Vorlesung
1 Berechenbarkeitstheorie Dr. Institut für Mathematische Logik und Grundlagenforschung WWU Münster WS 15/16 Alle Folien unter Creative Commons Attribution-NonCommercial 3.0 Unported Lizenz. Erinnerung:
MehrMengen. (Nicht-) Elemente einer Menge { 3, 4 } { 1, { 2 }, { 3, 4 }, { 5 } } 3 { 1, { 2 }, { 3, 4 }, { 5 } }
Mengen Definition (Intuitive Mengenlehre) Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor) Notation 1. Aufzählung aller Elemente: { 1,
MehrKurseinheit 1 Einführung und mathematische Grundlagen Aussagenlogik
Kurseinheit 1 Einführung und mathematische Grundlagen Aussagenlogik Fragen Seite Punkte 1. Was ist die Mathematische Logik? 3 2 2. Was sind die Aussagenlogik und die Prädikatenlogik? 5 4 3. Was sind Formeln,
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 6 14.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Syntax der Aussagenlogik: Definition der Menge
Mehr4. OBDDs und Modellüberprüfung
4. OBDDs und Modellüberprüfung OBDD Ordered Binary Decision Diagrams Geordnete binäre Entscheidungsdiagramme Binäres Entscheidungsdiagramm: in der einfachsten Form ein binärer Entscheidungsbaum, in dem
MehrMinimierung von logischen Schaltungen
Minimierung von logischen Schaltungen WAS SIND LOGISCHE SCHALTUNGEN Logische Verknüpfungszeichen: & = Logisches Und-Verknüpfung (Konjunktion). V = Logische Oder-Verknüpfung (Disjunktion). - = Nicht (Negation).
MehrMengen. Eigenschaften. Spezielle Mengen (1) Prominente Mengen. ! Mengenzugehörigkeit
Mengen! Definition (Intuitive Mengenlehre) Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor)! Notation 1. Aufzählung aller Elemente: {
Mehr2.1 Allgemeines. Was ist eine Sprache? Beispiele:
Was ist eine Sprache? Beispiele: (a) Deutsch, Japanisch, Latein, Esperanto,...: Natürliche Sprachen (b) Pascal, C, Java, Aussagenlogik,...: Formale Sprachen Wie beschreibt man eine Sprache? (i) Syntax
MehrAufgabe 13 (Markierungsalgorithmus). Gegeben ist die Formel F = (A D C) (E A) ( ( B D) E) A B (B D)
INTA - Lösungshinweise zum Übungsblatt 4, Version 1.0α. Wenn sie Fehler finden oder Ihnen etwas auch nach dem Gespräch mit ihren Kommilitonen noch unklar ist, dann schicken sie mir bitte eine Email! Aufgabe
MehrVorsemesterkurs Informatik
Vorsemesterkurs Informatik Vorsemesterkurs Informatik Mario Holldack WS2015/16 30. September 2015 Vorsemesterkurs Informatik 1 Einleitung 2 Aussagenlogik 3 Mengen Vorsemesterkurs Informatik > Einleitung
MehrTheorie der Informatik. Theorie der Informatik. 2.1 Äquivalenzen. 2.2 Vereinfachte Schreibweise. 2.3 Normalformen. 2.
Theorie der Informatik 24. Februar 2014 2. Aussagenlogik II Theorie der Informatik 2. Aussagenlogik II 2.1 Äquivalenzen Malte Helmert Gabriele Röger 2.2 Vereinfachte Schreibweise Universität Basel 24.
MehrErfüllbarkeitstests. Im folgenden: Ein sehr effizienter Erfüllbarkeitstest für eine spezielle Klasse von Formeln in KNF, sogenannte Hornformeln (vgl.
Erfüllbarkeitstests Im folgenden: Ein sehr effizienter Erfüllbarkeitstest für eine spezielle Klasse von Formeln in KNF, sogenannte Hornformeln (vgl. Grundlagen und diskrete Strukturen ) Ein für Formeln
Mehr