Pular para o conteúdo principal

Mapa Mental e Desdobramentos - reunião Sérgio 13/07/2023 Research Themes

https://mm.tt/app/map/2853104454?t=2BzVj6Magp

Reunião com o Sérgio em 13/07/2023 usando o mapa e focado no ramo "Research Themes"

KG

Abordagem se aplica a conhecimento de três tipos: (1) Factual (que deve estar associado ao contexto da proveniência), (2) Contextual (que pode ser associado a contextos específicos, além da proveniência) e (3) Counterfactual (que deve ser associado a contextos específicos, além da proveniência, deixando claro que existem diferentes perspectivas e circunstâncias onde a veracidade e a utilidade da informação pode ser avaliada, cabendo a arbitragem).

Mas os exemplos de Terra Plana, Urna Eletrônica, Vacinas e outros temas que acabam sendo alvo de Fake News me parecem associados a categoria Narrative que seriam suportados por um conjunto de alegações. Mas neste caso não sei se tornar o Contexto explícito seria o suficiente para confrontar as narrativas e permitir decidir qual seria "a Verdade" em abordagens de Fact Checking.

Tarefa: investir no exemplo das Urnas Eletrônicas

Axiomas em um KG seria informações Factuais, que não precisam ser justificadas, mas ainda assim requer contexto de Proveniência. 

Alegações que representam Narrativas devem ser justificadas com Axiomas ou com outras Alegações justificadas. Alegações sem justificativas são baseadas em Crenças.  

Contexto e DOWA

DOWA é sobre Verdade Relativa, sobre conhecimento nem sempre ser Factual. 

Lei é Proveniência, obedecer a lei é sobre Crenças e Valores

Podemos conhecer somente o que é Verdadeiro mas acreditar no que é Verdadeiro ou Falso. 

OWA x CWA em relação a KB x BD já foram explorados aqui -> https://versant-pesquisadedoutorado.blogspot.com/2022/05/db-x-kb-cwa-x-owa.html

"The CWA assumes that unobserved facts are false. By contrast, the OWA has a relaxed assumption that unobserved ones can be either missing or false. Generally, OWA has an advantage over CWA because of the incompleteness nature of knowledge graphs.

"Relational Approach - Closed World Assumption (CWA) - That which is not known to be true is presumed to be false; it needs to be explicitly stated as true. Negation as failure (NAF) is a related assumption, since it assumes as false every predicate that cannot be proven to be true. Under CWA, any statement not known to be true is false. Everything is prohibited until it is permitted.

(Open) Semantic Web Approach - Open World Assumption (OWA) - The lack of a given assertion or fact being available does not imply whether that possible assertion is true or false: it simply is not known. In other words, lack of knowledge does not imply falsity. Everything is permitted until it is prohibited."

O aspecto dual do OWA para KG parte de (1) KG são KB e (2) KG são gerados por processos automáticos [Weikum 2021] que extraem informações da Web (que podem ser verdadeiras ou falsas) e também por processos de crowdsourcing (Wikidata) que pode conter viés e diferentes perspectivas de mundo, sendo alvo de disputas de narrativas. Logo a presença de uma afirmação em um KG não garante que seja verdadeira, aspecto da Veracidade em V's do Big Data

Em OWA: A ausência de evidência não é evidência de falsidade

Em DOWA: A presença de evidência não é evidência de veracidade. A camada de regras de decisão é onde a avaliação da veracidade acontece, esta camada pode ser por sistema ou do próprio usuário. 

O Contexto está tanto no KG quanto no uso que será dado a Informação recuperada (contexto da tarefa que motivou a busca para satisfazer a necessidade de informação). 

A camada de mapeamento do CKG opera em OWA puramente, pode não ser completa mas o que foi mapeado é considerado verdadeiro pelo engenheiro de KG.  No modelo multi-layer de grafos, o contexto pode estar em N camadas. Até qual camada iremos para montar a resposta (ALL CONTEXTUALIZED ANSWER)? Nos exemplos de queries na camada de mapeamento estamos usando somente um nível.

A ausência de contexto nas alegações e entidades que são recuperadas na resposta é explicitamente representada por pares de chave (qualificador, relacionamento e propriedade) e valor UNKNOWN. Os casos específicos onde não se aplica o contexto (exceções) devem estar explicitamente registrados no KG com valores NONE ou devem ser inferidos através de regras. 

Abdução para cada CLAIM, quais fatores serão levados em consideração para considerar uma Alegação Verdadeira. Mesmo que só um CLAIM seja recuperado, ainda é preciso avaliar a veracidade. 

Busca Exploratória

Perguntas são potencialmente incompletas "Usuário não sabe aquilo que ele não sabe". 

Busca Exploratória e a fase dos porquês na crianças (Jean Piaget chama de período pré-operatório): Ao acrescentar contexto na resposta estamos respondendo a perguntas QUANDO (aconteceu, foi dito), ONDE (aconteceu, foi dito), COMO (foi coletado, foi gerado), QUEM (disse, coletou, gerou) que podem não ter sido formuladas pelo usuário mas que são essenciais para entender, interpretar e avaliar a veracidade e utilidade das respostas, sendo assim cooperativo sem requer interatividade adicional.


Comentários

Postagens mais visitadas deste blog

Aprendizado de Máquina Relacional

 Extraído de -> https://www.lncc.br/~ziviani/papers/Texto-MC1-SBBD2019.pdf   Aprendizado de máquina relacional (AMR) destina-se à criação de modelos estatísticos para dados relacionais (seria o mesmo que dados conectados) , isto é, dados cuja a informação relacional é tão ou mais impor tante que a informação individual (atributos) de cada elemento.    Essa classe de aprendizado tem sido utilizada em diversas aplicações, por exemplo, na extração de informação de dados não estruturados [Zhang et al. 2016] e na modelagem de linguagem natural [Vu et al. 2018].   A adoção de técnicas de aprendizado de máquina relacional em tarefas de comple mentação de grafo de conhecimento se baseia na premissa de existência de regularidades semânticas presentes no mesmo . Modelos grafos probabilísticos  Baseada em regras / heurísticas que não podem garantir 100% de precisão no resultado da inferência mas os resultados podem ser explicados. Modelos de características de ...

Connected Papers: Uma abordagem alternativa para revisão da literatura

Durante um projeto de pesquisa podemos encontrar um artigo que nos identificamos em termos de problema de pesquisa e também de solução. Então surge a vontade de saber como essa área de pesquisa se desenvolveu até chegar a esse ponto ou quais desdobramentos ocorreram a partir dessa solução proposta para identificar o estado da arte nesse tema. Podemos seguir duas abordagens:  realizar uma revisão sistemática usando palavras chaves que melhor caracterizam o tema em bibliotecas digitais de referência para encontrar artigos relacionados ou realizar snowballing ancorado nesse artigo que identificamos previamente, explorando os artigos citados (backward) ou os artigos que o citam (forward)  Mas a ferramenta Connected Papers propõe uma abordagem alternativa para essa busca. O problema inicial é dado um artigo de interesse, precisamos encontrar outros artigos relacionados de "certa forma". Find different methods and approaches to the same subject Track down the state of the art rese...

Knowledge graphs: Introduction, history, and perspectives - Leitura de Artigo

Chaudhri, V. K., C. Baru, N. Chittar, X. L. Dong, M. Genesereth, J. Hendler, A. Kalyanpur, D. Lenat, J. Sequeda, D. Vrandečić, and K.Wang 2022. “ Knowledge graphs: Introduction, history, and perspectives. ” AI Magazine 43: 17–29. https://doi.org/10.1002/aaai.12033 Knowledge graphs (KGs) have emerged as a compelling abstraction for organizing the world’s structured knowledge and for integrating information extracted from multiple data sources. KNOWLEDGE GRAPH DEFINITION A KG is a directed labeled graph in which domain-specific meanings are associated with nodes and edges. [ Definição focado no COMO representar, diferente dos KBs ] There are multiple approaches for associating meanings with the nodes and edges. At the simplest level, the meanings could be stated as documentation strings expressed in a human understandable language such as English. At a computational level, the meanings can be expressed in a formal specification language such as first-order logic. An active area of curren...