Datalog Fuzzy^ sobre t-Normas Arbitrárias

Um dos principais desafios na área de Inteligência Artificial Neuro-Simbólica é realizar raciocínio lógico na presença de dados tanto neurais quanto simbólicos. Isso exige a combinação de fontes de dados heterogêneas, como grafos de conhecimento, previsões de modelos neurais, bancos de dados estruturados, dados provenientes de crowdsourcing e muitos outros. Para permitir tal raciocínio, generalizamos a linguagem padrão baseada em regras Datalog com regras existenciais (comumente referidas como dependências geradoras de tuplas) para o contexto fuzzy, permitindo t-normas arbitrárias no lugar de conjunções clássicas nos corpos das regras. O formalismo resultante nos permite raciocinar sobre dados associados a graus de incerteza, preservando os resultados de complexidade computacional e a aplicabilidade das técnicas de raciocínio estabelecidas para o contexto padrão do Datalog. Em particular, fornecemos extensões fuzzy das perseguições de Datalog que produzem modelos universais fuzzy e as exploramos para mostrar que em fragmentos importantes da linguagem, o raciocínio tem a mesma complexidade que no contexto clássico.