Plausibles Schlussfolgern und plausible Wissensrevision in der KI entlang zweier Dimensionen: Syntax Splitting und Kinematik

• Antragstellerinnen / Antragsteller: Professor Dr. Christoph Beierle; Professorin Dr. Gabriele Kern-Isberner
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 512363537

Das Ziel dieses Projektes ist die Erweiterung von plausiblem Schlussfolgern und Wissensrevision in der symbolischen Künstlichen Intelligenz um zwei Basistechniken der Probabilistik, die dort wesentlich zum Erfolg beigetragen haben: Syntax Splitting und Kinematik. Während Syntax Splitting den exponentiellen Raum der Modelle mittels Subsignaturen unterteilt, erlaubt Kinematik ein weiteres Unterteilen durch die Betrachtung exklusiver Fälle, anhand derer Konditionalisierung durchgeführt wird. So ergibt sich insgesamt die Möglichkeit einer Reduzierung semantischer Ansätze zu plausiblem Schlussfolgern und Wissensrevision entlang zweier Dimensionen, wodurch sich ganz neue Perspektiven für verbesserte Implementierungen eröffnen. Insbesondere wird das erfolgreiche Lokalitätsprinzip des Schlussfolgerns in probabilistischen Netzen für den symbolischen/qualitativen Bereich nutzbar gemacht. Dies involviert auch die Lösung einer weiteren Herausforderung: Wie lassen sich lokale Lösungen stimmig zu globalen Lösungen fusionieren? Die Ergebnisse dieses Projektes werden weitreichende Implikationen sowohl in theoretischer als auch in praktischer Hinsicht haben, untermauert durch ein Repository von Benchmark-Problemen, die die zwei Splitting-Dimensionen des plausiblen Schlussfolgerns und der iterierten Wissensrevision adressieren, und durch Evalution mit einem Demonstrator-System. Diese methodischen Erweiterungen werden zu neuartigen Axiomen und Techniken führen, die den aktuellen Stand der Wissenschaft essentiell voranbringen, und schließlich in effizienteren Algorithmen münden. Eine methodologisch breite Basis, die durchgehend auf Wissenszuständen und Konditionalen beruht, erweitert von vorneherein den engen Raum klassischer Logiken, so dass sich ein kohärentes und unifiziertes Rahmenwerk zur gemeinsamen Behandlung von plausiblem Schlussfolgern und Wissensrevision ergibt. Für die Darstellung von Wissenszuständen verwenden wir zwei weit verbreitete semantische Ansätze: totale Präordnungen (TPOs) und Spohns ordinale konditionale Funktionen (OCFs), zwischen denen intuitive Beziehungen bestehen. Diese Beziehungen werden wir systematisch formal ausarbeiten, um die stärkeren Strukturen der OCFs für den Bereich der TPOs nutzbar zu machen. Das wichtigste Hilfsmittel hierfür sind die sog. c-Repräsentationen und c-Revisionen für OCFs, die ihre Wurzeln in probabilistischen Methoden haben und sich durch Strategien axiomatisch und kohärent steuern lassen. Diese Strategien machen Interaktionen zwischen konditionalem Wissen explizit und erlauben vertiefte allgemeine Einsichten in die Problematik des plausiblen Schlussfolgerns bzw. der Wissensrevision, die auch für andere Ansätze nutzbar sein werden. Darüber hinaus stellt der Einsatz der c-Repräsentationen/Revisionen für die Fusion von lokalen zu globalen Lösungen eine völlig neuartige methodische Perspektive dieses Projektes dar.

• DFG-Verfahren: Sachbeihilfen