Gecombineerde redeneer- en leerbenaderingen

Doelen. Om de beperkingen van de bestaande benaderingen aan te pakken die liggen op het snijvlak van ML en KRR zoals hierboven geschetst, is het doel van dit proefschrift drieledig. Ten eerste streven we naar het ontwikkelen van geavanceerde schaalbare algoritmen die het mogelijk maken om rijke achtergrondkennis te incorporeren in ML systemen die worden gerepresenteerd als Description Logic ontologieën of Answer Set Programs. Ten tweede, zoeken we naar de exploitatie van mogelijke benaderingen om de regel inductie methoden naar de industriële schaal te brengen. Last but not least, is het doel van dit proefschrift om de methoden ontwikkeld binnen dit proefschrift aan te passen voor verschillende toepassingen binnen het gebied van productie (bijv. planning, het repareren van storingen in productiepijplijnen waar ML methoden zouden kunnen worden gecombineerd, bijv. met [5]) en daarbuiten (bijv. autonoom rijden). Mogelijke benaderingen. De eerste onderzoeksvraag die binnen deze dissertatie zal worden geëxploiteerd betreft de strakke integratie van deductieve redeneermethoden uit KRR in ML modellen. We beginnen met het verkennen van dit onderwerp in de context van Knowledge Graph embeddings en breiden het verder uit naar andere settings. KG inbeddingsmodellen hebben onlangs veelbelovende resultaten laten zien bij het leren van een 'goede' representatie van KGs door vectoren van entiteiten en relaties in te bedden. Ze kunnen effectief worden gebruikt voor feitvoorspelling en het beantwoorden van conjunctieve vragen over onvolledige KGs [23]. Echter, deze methoden zijn nog steeds beperkt in het vastleggen van rijke achtergrondkennis. Om deze tekortkoming aan te pakken, zijn we van plan om symbolisch redeneren te gebruiken om de inbeddingsmodellen te 'begeleiden' om zichzelf te verbeteren en om na te bootsen/leren hoe ze efficiënt kunnen redeneren over KGs. Als startpunt willen we ons richten op KRR formalismen met goede computationele eigenschappen waarvoor effectieve redeneermethoden bestaan [4]. Men kan KRR technieken gebruiken om ML modellen te regulariseren of om hun resultaten direct te integreren in het optimalisatie proces tijdens de model training. Bovendien zouden de bevindingen uit [1] nuttig kunnen zijn om de verschillen tussen de symbolische en de inbeddingsbenadering beter te begrijpen met het oog op hun effectieve combinatie. De tweede te verkennen onderzoeksrichting heeft te maken met de optimalisatie van methoden die een losse koppeling van KRR en ML technieken presenteren. In deze context zijn we van plan om te kijken naar de combinatie van Answer Set Programs en Deep Learning methoden [17] en streven naar het verbeteren van de efficiëntie van hun interactie. Een van de belangrijke kwesties in deze context is het grondproces dat de ASP-systemen moeten uitvoeren. Dit is het belangrijkste computationele knelpunt van de huidige methoden. Om dit probleem aan te pakken stellen wij voor het grounding proces te koppelen aan het oplossen en de interactie met ML modellen op een online manier uit te voeren in plaats van sequentieel. Een andere onderzoeksrichting die de hierboven vermelde ideeën mooi aanvult betreft de automatische acquisitie van regels uit de data. De formele representatie van achtergrondkennis kan weliswaar handmatig worden gespecificeerd, maar dit proces is vaak vervelend en vraagt dus om automatisering. De extractie van temporele regels uit de productiegegevens is bijvoorbeeld bijzonder aantrekkelijk in de context van productiepijplijnen. Het leren van regels zoals 'De motor kan niet starten voordat hij is aangezet' zou nuttig kunnen zijn voor het verifiëren van de juistheid van productieprocessen. We zien ook een groot potentieel in het leren van dispatchingregels in het planningsdomein, evenals het leren van regels uit de input-output van Deep Learning-systemen om bij te dragen aan de interpreteerbaarheid ervan.