Datalog∃ difuso sobre t-normas arbitrarias

Uno de los principales desafíos en el área de la IA Neuro-Simbólica es realizar razonamiento lógico en presencia de datos tanto neurológicos como simbólicos. Esto requiere combinar fuentes de datos heterogéneas como grafos de conocimiento, predicciones de modelos neuronales, bases de datos estructuradas, datos provenientes de la multitud y muchos más. Para permitir tal razonamiento, generalizamos el lenguaje estándar basado en reglas Datalog con reglas existenciales (comúnmente conocidas como dependencias generadoras de tuplas) al contexto difuso, al permitir t-normas arbitrarias en lugar de conjunciones clásicas en los cuerpos de las reglas. El formalismo resultante nos permite realizar razonamiento sobre datos asociados con grados de incertidumbre, preservando a la vez los resultados de complejidad computacional y la aplicabilidad de las técnicas de razonamiento establecidas para el contexto estándar de Datalog. En particular, proporcionamos extensiones difusas de los perseguimientos de Datalog que producen modelos universales difusos y las explotamos para mostrar que en fragmentos importantes del lenguaje, el razonamiento tiene la misma complejidad que en el contexto clásico.