Projektgruppe: Master

Sprache Englisch

Sind Sie daran interessiert, die Grenzen der Wissensrepräsentation und des schlussfolgernden Denkens zu verschieben? Nehmen Sie an unserem Projekt ApproxDL teil, in dem Sie neue Lösungen für den Umgang mit inkonsistenten Wissensdatenbanken (KBs) entwickeln werden.

In diesem Projekt konzentrieren wir uns darauf, eine kritische Einschränkung bestehender Reasoner zu beheben: ihre Unfähigkeit, mit inkonsistenten KBs effektiv umzugehen. Viele reale Szenarien beinhalten Informationen, die einander widersprechen können, und unser Ziel ist es, Schlussfolgerungen auch bei Vorhandensein solcher Inkonsistenzen zu ermöglichen. In dieser Projektgruppe (PG) werden Sie einen Reasoner implementieren, der mit einer inkonsistenten Wissensbasis umgehen kann.

Ihre Gruppe wird drei Hauptstrategien zur Behandlung von Inkonsistenzen anwenden: Intersection of All Repairs (IAR) zielt darauf ab, eine gemeinsame Teilmenge konsistenter Informationen aus allen möglichen Reparaturen zu finden, Conjunctive Query Reasoning (CQR) liefert eine Antwort für eine Anfrage, wenn sie in jeder Reparatur zutrifft, und Brave Reasoning (BR) bietet eine Antwort für eine Anfrage, wenn sie in mindestens einer Reparatur zutrifft.

Vorgehen:

1. Einlesen in DL-Semantik (EL, ALC) und OWL
2. Implementierung von Subsumptionstypen und Eigenschaftshierarchien (z.B. Katze ist Unterklasse von Säugetier)
3. Implementierung des Dienstes ApproxDL
4. Erstellung einer API für schlussfolgernde Dienste
5. Evaluierung der Leistung und Ergebnisqualität

Voraussetzungen:

• Sehr gute Python-Kenntnisse
• Erfahrung in der Softwareentwicklung und mit git flow
• Es ist von Vorteil, wenn Sie zuvor die Vorlesung "Foundations of Knowledge Graphs" oder eine Logikvorlesung besucht haben
• Keine Angst vor formalen Spezifikationen, Semantik und Formeln