Lernunterstützung für ontologiegestützte Abfragen

Projekttitel: Lernunterstützung für ontologiegestützte Abfragen

Forschungsbereich: Wissensrepräsentation und Wissensmodellierung

Die ontologiegestützte Abfrage ist ein beliebtes Paradigma zur Einbindung ontologischer Kenntnisse in datenbasierte Anwendungen und ebnet den Weg zu intelligenteren Abfragen und umfassenderen Antworten. Im Projekt „Lernunterstützung für ontologiegestützte Abfragen“ kombinieren wir die ontologiegestützte Abfrage auf zwei verschiedene Arten mit Ansätzen des maschinellen Lernens. Einerseits nutzen wir Techniken aus der computergestützten Lerntheorie, um Nutzer der ontologiegestützten Abfrage zu unterstützen, beispielsweise indem wir ihnen helfen, die gewünschten Abfragen und Ontologien zu erstellen – entweder anhand von beschrifteten Datenbeispielen oder durch „Befragung“ des Nutzers zu den Eigenschaften des Objekts, das er erstellen möchte. Andererseits erweitern wir die Ausdruckskraft ontologiegestützter Abfragen, um Funktionen zu unterstützen, die für Anwendungen des maschinellen Lernens und der Datenanalyse relevant sind, wie beispielsweise Zählung und Aggregation.

Ziele

Das Projekt „Lernunterstützung für ontologiegestützte Abfragen“ zielt darauf ab, zwei Arten von Lernszenarien zu untersuchen. Im ersten Szenario, dem sogenannten Lernen anhand von Beispielen, wird eine Menge positiv und negativ gekennzeichneter Datenbeispiele bereitgestellt, d. h. Antworten und Nicht-Antworten auf die zu formulierende Abfrage. Anschließend wird eine passende Abfrage gesucht, d. h. eine Abfrage, die alle gegebenen Beispiele korrekt klassifiziert. Das zweite Szenario ist Angluins Rahmenkonzept des exakten Lernens, bei dem ein Lernalgorithmus dem Nutzer aktiv Beispiele präsentiert und ihn nach deren Status (positiv oder negativ) fragt.

Problemstellung

Zu den wichtigen Fragestellungen, die in diesem Projekt untersucht werden, gehören:

• Wann ist Lernen in polynomieller Zeit möglich – mit einer polynomiellen Anzahl von Beispielen (beim Lernen anhand von Beispielen) oder mit einer polynomiellen Anzahl von Abfragen an den Benutzer (im Rahmen von Angluins Modell)?
• Wenn polynomieller Zeitaufwand nicht erreicht werden kann, können wir dann die Effizienz von SAT-Lösern nutzen, um das Anpassungsproblem beim Lernen anhand von Beispielen zu lösen?
• Wie können wir gewährleisten, dass sich die konstruierten Abfragen im Sinne des PAC-Lernens auf bisher unbekannte Datenbeispiele verallgemeinern lassen?
• In dem (üblichen) Fall, dass es mehrere Abfragen gibt, die zu den Beispielen passen, welche sollte dann konstruiert werden? Gibt es logisch gesehen immer die allgemeinste oder die spezifischste passende Abfrage?

Technologie

Das Projekt stützt sich auf eine vielfältige Kombination von Methoden, die ursprünglich aus den folgenden Bereichen stammen: computergestützte Lerntheorie, Datenbanktheorie, Graphentheorie, Wissensrepräsentation und Constraint Satisfaction.

Ausblick

Wir gehen davon aus, dass das Projekt die Nutzbarkeit von Ontologien in datenzentrierten Anwendungen erheblich verbessern wird. Darüber hinaus halten wir die Kombination aus symbolischen Methoden des Wissensrepräsentations und Lerntechniken, die den Kern des Projekts bildet, für sehr vielversprechend und hoffen, dass sie in Zukunft weitere Forschungsansätze eröffnen wird.

Publikationen

• Balder ten Cate, Maurice Funk, Jean Christoph Jung, Carsten Lutz: On the non-efficient PAC learnability of conjunctive queries. Inf. Process. Lett. 183: 106431 (2024)
• Balder ten Cate, Maurice Funk, Jean Christoph Jung, Carsten Lutz: SAT-Based PAC Learning of Description Logic Concepts. IJCAI 2023: 3347-3355
• Balder ten Cate, Victor Dalmau, Maurice Funk, Carsten Lutz: Extremal Fitting Problems for Conjunctive Queries. PODS 2023: 89-98
• Maurice Funk, Jean Christoph Jung, Carsten Lutz: Frontiers and Exact Learning of ELI Queries under DL-Lite Ontologies. IJCAI 2022: 2627-2633
• Maurice Funk, Jean Christoph Jung, Carsten Lutz: Actively Learning Concepts and Conjunctive Queries under ELr-Ontologies. IJCAI 2021: 1887-1893

Team

Leitung

Prof. Dr. Carsten Lutz

Teammitglieder

• Quentin Maniere
• Maurice Funk

Partner

• Jean Christoph Jung, TU Dortmund
• Balder ten Cate, Universität Amsterdam