Sie sind hier

WeST präsentiert vier Forschungsarbeiten auf der European Conference on Artificial Intelligence

Auf der diesjährigen European Conference on Artificial Intelligence (ECAI) wurden vier Forschungsarbeiten von WeST zur Publikation angenommen. Die vom European Coordinating Committee for Artifical Intelligence organisierte ECAI ist eine hochrangige Konferenz, bei der Wissenschaftler Forschung auf dem Gebiet der künstlichen Intelligenz präsentieren und verfolgen können.

Christoph Schaefer, Daniel Hienert und Thomas Gottron führen in ihrem Papier "Normalized Relevance Distance – A Stable Metric for Computing Semantic Relatedness over Reference Corpora" eine neue Methode zur Messung der Ähnlichkeit von Wortpaaren ein. Ihr Ansatz erweitert die Normalized Google Distance, indem sie die einfache Trefferanzahl für ein Wort durch die aufsummierten tf-idf Werte ersetzt.

Die Forschungsarbeit "Coherence and Compatibility of Markov Logic Networks” von Matthias Thimm beschäftigt sich mit der Einschätzung der Modellierungsqualität von Markov Logic Networks (MLNs). Ein MLN ist ein probabilistischer Wissensrepräsentationsansatz, der inkonsistentes Wissen aggregieren kann. Da dabei auch unintuitive Inferenzen entstehen können, wird in dieser Forschungsarbeit ein Ansatz zur Messung der “Kohärenz” eines MLNs vorgeschlagen. Mit ihm lässt sich die Modellierungsqualität quantitativ messen.

Die Forschungsarbeit "Consolidation of Probabilistic Knowledge Bases by Inconsistency Minimization” von Nico Potyka und Matthias Thimm befasst sich mit der Entfernung von Inkonsistenzen in probabilistischen Wissensbasen. Inkonsistenzen sind ein häufiges Problem in Wissensrepräsentationsansätzen, insbesondere in probabilistischen Ansätzen, da diese schwer durch den Designer zu erkennen sind. Diese Arbeit stellt eine Ansatz zur Reparatur von probabilistischen Wissensbasen (formalisiert in probabilistischer Konditionallogik) vor. Mit ihm ist es möglich, modellbasierte Schlussfolgerungsmechanismen auf inkonsistente Wissensbasen anzuwenden.

In ihrem Papier "Probabilistic Argumentation with Incomplete Information” befassen Anthony Hunter und Matthias Thimm sich mit der Vervollständigung unvollständiger Information in probabilistischen Argumentationsframeworks. Maschinelle Argumentation ist ein WIssensrepräsentationsansatz, der sich auf Argumente, d.h. Herleitungen gewisser Aussagen, und deren Angriffsrelation fokussiert. Diese Arbeit erweitert frühere Arbeiten zu einer probabilistischen Erweiterung solcher Modelle und diskutiert, wie ungenügend spezifizierte Information vervollständigt werden kann.

21.05.2014