Erklärbares Belief Merging

• Antragstellerinnen / Antragsteller: Professorin Dr. Viorica Sofronie-Stokkermans; Professor Dr. Matthias Thimm
• Fachliche Zuordnung: Theoretische Informatik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 465447331

Der adäquate Umgang mit verrauschten und inkonsistenten Informationen ist eine der zentralen Herausforderungen in wissensbasierten KI-Anwendungen. In Szenarien, in denen Experten ihr Wissen zusammenführen, um eine gemeinsame Wissensbasis aufzubauen, oder Sensorinformationen hinzugefügt werden sollen, treten leicht Inkonsistenzen auf. Im Bereich der Wissensrepräsentation ist das formale Rahmenwerk dazu das "Belief Merging" (und seine verwandten Bereiche wie "Belief Change" und "Information Fusion"), das Ansätze zur automatischen und sinnvollen Lösung dieser Probleme bereitstellt. Das Gebiet des "Belief Merging" steht in enger Beziehung zu den Gebieten der "Judgement Aggregation" und der "Preference Aggregation" und weist auch eine eigene Version von Arrows Unmöglichkeitsresultats auf, insofern, dass es keinen "rationalen" Ansatz zum "Belief Merging" geben kann. Dies erfordert semi-automatische Methoden, die das menschliche Hintergrundwissen bei der Zusammenführung von Wissen berücksichtigen, damit wichtige Informationen nicht entfernt werden. Klassische "Belief Merging"-Ansätze arbeiten jedoch in der Regel auf eine für den Benutzer schwer zu interpretierende Art und Weise, indem sie die zu entfernenden Informationen z.B. auf Basis von Interpretationsabständen auswählen. In diesem Projekt adressieren wir die oben genannte Herausforderung des "Erklärbaren Belief Merging", indem wir neue "Belief Merging"-Operatoren entwickeln, die in der Lage sind, ihre Ergebnisse zu erklären und die damit eine semi-automatische Reparatur von wissensgesteuerten Systemen ermöglichen. Unsere Methode für dieses Unterfangen basiert auf der Berechnung und Analyse von "Craig-Interpolanten". Informell betrachtet ist eine Interpolante eine Formel, die aus einer der beiden Wissensbasen abgeleitet werden kann, so dass ihre Einfügung in die andere zu einer Inkonsistenz führt. Daher liefert eine Interpolante eine prägnante Erklärung, warum ein bestimmter Konflikt zwischen zwei Wissensbasen auftritt. Wir glauben, dass die Verwendung der aus der Analyse von Interpolanten gewonnenen Informationen es uns ermöglichen wird, bestehende Ansätze zum "Belief Merging" mit besseren Erklärungsmöglichkeiten zu erweitern - und sogar neue formale Ansätze zum "Belief Merging" zu entwickeln. Tatsächlich haben Vorarbeiten der Antragsteller bereits gezeigt, dass Interpolanten verwendet werden können, um die Konflikte zwischen mehreren Wissensbasen auf sinnvolle Weise zu messen. Ein weiterer Aspekt, den wir in diesem Projekt erforschen wollen, ist die Anwendung von "Belief Merging" auf ausdrucksstärkere Logiken. Wissensgetriebene Szenarien erfordern in der Regel Funktionalitäten wie Arithmetik und prädikatenlogisches Schließen, aber der Großteil der Arbeit über "Belief Merging" beschäftigt sich mit aussagenlogischen Szenarien. Wir werden daher auch die Grundlagen für die Verwendung von "Belief Merging" in ausdrucksstärkeren Logiken legen und die Verwendung von Interpolanten darin untersuchen.

• DFG-Verfahren: Sachbeihilfen