Розробка онтологічного методу масштабованої генерації моделей частково спостережуваних марківських процесів вирішування (ЧСМПВ)
DOI:
https://doi.org/10.15587/2706-5448.2026.361385Ключові слова:
онтологія, графи знань, автоматизоване генерування моделей, імовірнісне планування, POMDPАнотація
Об’єктом дослідження є автоматизована побудова моделей частково спостережуваних марківських процесів вирішування (ЧСМПВ) на основі семантичної бази знань, у якій імовірнісні параметри формалізовані у вигляді онтології або графа знань.
Проблема, яка вирішується у дослідженні, полягає в тому, що традиційний підхід передбачає ручне формування таблиць параметрів (переходів, спостережень, винагород), що характеризується низьким рівнем простежуваності даних. Це ускладнює аудит і актуалізацію моделей, а також перешкоджає їх узгодженню у разі конфлікту джерел або зміни предметних знань.
Розроблено предметно-незалежну схему, що представляє кожен числовий параметр POMDP у вигляді твердження з зафіксованим походженням (джерело, часова мітка та контекст).
Реалізовано метод компіляції, який здійснює вибірку тверджень за допомогою SPARQL, вирішує конфлікти відповідно до обраної політики, нормалізує параметри та створює таблиці матриць T, O і R.
Проведено оцінювання на прикладі задачі діагностики, що підтвердило високу швидкість генерації моделей. У десяти експериментах час генерації не перевищував 3,6 секунди навіть при просторі станів |S| = 3957, а час розв’язання задачі з використанням солвера SARSOP коливався від кількох секунд до встановленого тайм-ауту 600 секунд, залежно від режиму масштабування.
Представлення параметрів як сутностей графа перетворює оновлення моделі на прозоре редагування тверджень, доступне для аудиту.
Запропонований метод доцільно застосовувати у випадках, коли знання предметної області формалізовано у вигляді онтології з чітко визначеними станами, діями та результатами спостережень, а простежуваність походження параметрів є критично важливою. Метод забезпечує розгортання систем підтримки прийняття рішень і дає змогу вести аудит історії параметрів. Крім того, цей метод дозволяє створювати альтернативні моделі для аналізу чутливості та розширювати модель за допомогою навчання онтологій.
Посилання
- Musen, M. A., Noy, N. F., Shah, N. H., Whetzel, P. L., Chute, C. G., Story, M.-A., Smith, B. et al. (2012). The National Center for Biomedical Ontology. Journal of the American Medical Informatics Association, 19 (2), 190–195. https://doi.org/10.1136/amiajnl-2011-000523
- Hoehndorf, R., Dumontier, M., Gkoutos, G. V. (2012). Evaluation of research in biomedical ontologies. Briefings in Bioinformatics, 14 (6), 696–712. https://doi.org/10.1093/bib/bbs053
- Beard, R. W. (2018). Decision Making Under Uncertainty: Theory and Application. IEEE Control Systems, 38 (6), 114–115. https://doi.org/10.1109/mcs.2018.2866656
- Iocchi, L., Lukasiewicz, T., Nardi, D., Rosati, R. (2009). Reasoning about actions with sensing under qualitative and probabilistic uncertainty. ACM Transactions on Computational Logic, 10 (1), 1–41. https://doi.org/10.1145/1459010.1459015
- Zhang, S., Stone, P. (2015). CORPP: Commonsense Reasoning and Probabilistic Planning, as Applied to Dialog with a Mobile Robot. Proceedings of the AAAI Conference on Artificial Intelligence, 29 (1). https://doi.org/10.1609/aaai.v29i1.9385
- Amiri, S., Shokrolah Shirazi, M., Zhang, S. (2020). Learning and Reasoning for Robot Sequential Decision Making under Uncertainty. Proceedings of the AAAI Conference on Artificial Intelligence, 34 (3), 2726–2733. https://doi.org/10.1609/aaai.v34i03.5659
- Moulouel, K., Chibani, A., Amirat, Y. (2023). Ontology-based hybrid commonsense reasoning framework for handling context abnormalities in uncertain and partially observable environments. Information Sciences, 631, 468–486. https://doi.org/10.1016/j.ins.2023.02.078
- Ghanadbashi, S., Zarchini, A., Golpayegani, F. (2023). An Ontology-Based Augmented Observation for Decision-Making in Partially Observable Environments. Proceedings of the 15th International Conference on Agents and Artificial Intelligence. Lisbon, 343–354. https://doi.org/10.5220/0011793200003393
- Golpayegani, F., Ghanadbashi, S., Zarchini, A. (2024). Advancing Sustainable Manufacturing: Reinforcement Learning with Adaptive Reward Machine Using an Ontology-Based Approach. Sustainability, 16 (14), 5873. https://doi.org/10.3390/su16145873
- Ding, Z., Peng, Y., Pan, R. (2006). BayesOWL: Uncertainty Modeling in Semantic Web Ontologies. Soft Computing in Ontologies and Semantic Web. Springer, 3–29. https://doi.org/10.1007/978-3-540-33473-6_1
- Carvalho, R. N., Laskey, K. B., Costa, P. C. G. (2017). PR-OWL – a language for defining probabilistic ontologies. International Journal of Approximate Reasoning, 91, 56–79. https://doi.org/10.1016/j.ijar.2017.08.011
- Bellodi, E., Lamma, E., Riguzzi, F., Albani, S. (2011). A distribution semantics for probabilistic ontologies. URSW, 778, 75–86. Available at: https://dl.acm.org/doi/10.5555/2887702.2887709
- Lukasiewicz, T. (2008). Probabilistic description logic programs under inheritance with overriding for the Semantic Web. International Journal of Approximate Reasoning, 49 (1), 18–34. https://doi.org/10.1016/j.ijar.2007.08.005
- Belhajjame, K., Cheney, J., Corsar, D., Garijo, D., Soiland-Reyes, S., Zednik, S., Zhao, J.; Lebo, T., Sahoo, S., McGuinness, D. (Eds.) (2013). PROV-O: The PROV ontology. Available at: https://www.w3.org/TR/prov-o/
- Kuhn, T., Chichester, C., Krauthammer, M., Queralt-Rosinach, N., Verborgh, R., Giannakopoulos, G. et al. (2016). Decentralized provenance-aware publishing with nanopublications. PeerJ Preprints. https://doi.org/10.7287/peerj.preprints.1760v1
- Kuhn, T., Banda, J. M., Willighagen, E., Ehrhart, F., Evelo, C., Malas, T. B. et al. (2018). Nanopublications: A Growing Resource of Provenance-Centric Scientific Linked Data. 2018 IEEE 14th International Conference on E-Science (E-Science), 83–92. https://doi.org/10.1109/escience.2018.00024
- Klusch, M., Gerber, A., Schmidt, M. (2005). Semantic web service composition planning with OWLS-XPlan. AAAI Fall Symposium: Agents and the Semantic Web, 55–62. Available at: https://www.researchgate.net/publication/228711042_Semantic_Web_service_composition_planning_with_OWLS-XPlan
- John, T., Koopmann, P. (2023). Towards ontology-mediated planning with OWL DL ontologies. CEUR Workshop Proceedings. https://doi.org/10.48550/arXiv.2308.08200
- Malburg, L., Klein, P., Bergmann, R. (2023). Converting semantic web services into formal planning domain descriptions to enable manufacturing process planning and scheduling in industry 4.0. Engineering Applications of Artificial Intelligence, 126, 106727. https://doi.org/10.1016/j.engappai.2023.106727
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Yaroslav Teplyi, Dmytro Dosyn
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
