Mostrar el registro sencillo del ítem
dc.contributor.author
Abriola, Sergio Alejandro
dc.contributor.author
Cifuentes, Santiago
dc.contributor.author
Martinez, Maria Vanina
dc.contributor.author
Pardal, Nina
dc.contributor.author
Pin Baque, Edwin
dc.date.available
2023-11-28T19:17:44Z
dc.date.issued
2023-09
dc.identifier.citation
Abriola, Sergio Alejandro; Cifuentes, Santiago; Martinez, Maria Vanina; Pardal, Nina; Pin Baque, Edwin; An epistemic approach to model uncertainty in data-graphs; Elsevier Science Inc.; International Journal Of Approximate Reasoning; 160; 9-2023; 1-31
dc.identifier.issn
0888-613X
dc.identifier.uri
http://hdl.handle.net/11336/218750
dc.description.abstract
Graph databases are becoming widely successful as data models that allow to effectively represent and process complex relationships among various types of data. Data-graphs are particular types of graph databases whose representation allows both data values in the paths and in the nodes to be treated as first class citizens by the query language. As with any other type of data repository, data-graphs may suffer from errors and discrepancies with respect to the real-world data they intend to represent. In this work, we explore the notion of probabilistic unclean data-graphs, in order to capture the idea that the observed (unclean) data-graph is actually the noisy version of a clean one that correctly models the world but that we know only partially. As the factors that lead to such a state of affairs may be many, e.g., all different types of clerical errors or unintended transformations of the data, and depend heavily on the application domain, we assume an epistemic probabilistic model that describes the distribution over all possible ways in which the clean (uncertain) data-graph could have been polluted. Based on this model we define two computational problems: data cleaning and probabilistic query answering and study for both of them their corresponding complexity when considering that the polluting transformation of the data-graph can be caused by either removing (subset), adding (superset), or modifying (update) nodes and edges. For data cleaning, we explore restricted versions when the transformation only involves updating data-values on the nodes. Finally, we look at some implications of incorporating hard and soft constraints to our framework.
dc.format
application/pdf
dc.language.iso
eng
dc.publisher
Elsevier Science Inc.
dc.rights
info:eu-repo/semantics/restrictedAccess
dc.rights.uri
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.subject
CONSISTENT QUERY ANSWERING
dc.subject
CONSTRAINTS
dc.subject
DATA-GRAPHS
dc.subject
INCONSISTENT DATABASES
dc.subject
PROBABILISTIC QUERY ANSWERING
dc.subject
REPAIRING
dc.subject.classification
Ciencias de la Computación
dc.subject.classification
Ciencias de la Computación e Información
dc.subject.classification
CIENCIAS NATURALES Y EXACTAS
dc.title
An epistemic approach to model uncertainty in data-graphs
dc.type
info:eu-repo/semantics/article
dc.type
info:ar-repo/semantics/artículo
dc.type
info:eu-repo/semantics/publishedVersion
dc.date.updated
2023-11-16T13:37:38Z
dc.journal.volume
160
dc.journal.pagination
1-31
dc.journal.pais
Países Bajos
dc.journal.ciudad
Amsterdam
dc.description.fil
Fil: Abriola, Sergio Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Investigación en Ciencias de la Computación. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Investigación en Ciencias de la Computación; Argentina
dc.description.fil
Fil: Cifuentes, Santiago. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Computación; Argentina
dc.description.fil
Fil: Martinez, Maria Vanina. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Investigación en Ciencias de la Computación. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Investigación en Ciencias de la Computación; Argentina. Consejo Superior de Investigaciones Cientificas. Instituto de Investigacion En Inteligencia Artificial.; España
dc.description.fil
Fil: Pardal, Nina. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Investigación en Ciencias de la Computación. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Investigación en Ciencias de la Computación; Argentina. University Of Sheffield (university Of Sheffield);
dc.description.fil
Fil: Pin Baque, Edwin. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Investigación en Ciencias de la Computación. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Investigación en Ciencias de la Computación; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Matemática; Argentina
dc.journal.title
International Journal Of Approximate Reasoning
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/url/https://linkinghub.elsevier.com/retrieve/pii/S0888613X23000798
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/doi/https://doi.org/10.1016/j.ijar.2023.108948
Archivos asociados