Tilbake til søkeresultatene

FRINATEK-Fri prosj.st. mat.,naturv.,tek

Learning Description Logic Ontologies

Alternativ tittel: Læring ontologier

Tildelt: kr 7,9 mill.

Samfunnet blir mer og mer digitalisert. Digitale plattformer er ikke bare lenger et nyttig alternativ, men en nødvendighet som påvirker alle organisasjoner over hele verden og genererer store mengder data. Jo større datasett vokser, desto vanskeligere er det å forstå og trekke relevant informasjon fra dem. En av de mest grunnleggende utfordringene innen kunstig intelligens (AI) er å automatisk abstrahere slik kunnskap fra dataene og konsist representere den, slik at dataen kan tolkes og forklares på en nøyaktig måte. Dette prosjektet adresserer kunnskapsinnsamlingsflaskehalsen inen AI. Målet er å studere og utvikle nye automatiserte strategier for å tilegne seg tolkbar kunnskap fra store datasett, representert som en ontologi.Ontologier kan forstås som en entydig måte å representere kunnskap på. Innen kunnskapsrepresentasjon har ontologier blitt brukt til å uttrykke kunnskap om et interesseområde. Prosjektet fokuserer på to hovedstrategier for å lære ontologier. En av dem er å designe ontologispråk som tilnærmer seg utrykksevnen til nevrale nettverksmodeller (NN) og lære ontologier formulert i disse berikede språkene. Den andre stragegien som vurderes er å hente ut kunnskap fra NN gjennom å metodisk stille dem spørsmål. Algoritmer som lærer ved å stille spørsmål, krysser søkeområdet på en systematisk måte og utfører spørsmål for å identifisere oppførselen til oraklet, i dette tilfellet et NN. Vi foreslår bruk av slike algoritmer for å lære domenekunnskap representert i et NN.

Our world is moving into a truly digital era. The transition into digital platforms is not anymore a convenient alternative but a necessity, that affects all organizations worldwide and generates large amounts of data. The larger datasets grow the more difficult it is to understand and abstract the relevant information from them. One of the most fundamental challenges in artificial intelligence (AI) is to automatically abstract such knowledge from the data and concisely represent it, so that it can be interpreted and explained in an accurate way. Our goal is to study and develop new automated strategies for building ontologies—which are explainable knowledge representation formalisms based on logic. Ontologies are useful to express the relevant knowledge about a domain of interest. This proposal is based on learning models from computational learning theory. The project contains two methods for learning ontologies. The first employs algorithms designed for the exact learning model and the second is a differentiable way of learning ontologies in the probably approximately correct learning model.

Budsjettformål:

FRINATEK-Fri prosj.st. mat.,naturv.,tek