Explainable Belief Harmonization under Dynamic Epistemic Partitions

Resumo Técnico: Harmonização de Crenças Explicável sob Partições Epistêmicas Dinâmicas

Declaração do Problema
Abordagens existentes para a combinação de crenças multiagente — que variam desde a teoria do consenso e fusão baseada em lógica até a lógica epistêmica — tipicamente assumem uma estrutura representacional fixa. Nesses frameworks, os agentes operam sob capacidades observacionais estáticas. No entanto, em ambientes dinâmicos (ex: fusão de sensores, análise federada), os agentes frequentemente ganham ou perdem capacidade observacional, fazendo com que suas partições epistêmicas (o agrupamento de mundos indistinguíveis) mudem.

Quando uma partição muda, crenças que anteriormente eram admissíveis podem tornar-se estruturalmente inconsistentes. Especificamente, o refinamento (ganho de resolução) preserva a admissibilidade, mas o encruamento (coarsening — perda de resolução) frequentemente viola a restrição de que um agente deve atribuir probabilidade igual a todos os mundos dentro de uma única célula de partição. A literatura atual carece de um framework unificado para lidar com essas mudanças estruturais em tempo de execução em perfis de crença contínuos e para detectar automaticamente inconsistências e explicar as distinções estruturais específicas que as causaram.

Metodologia
Os autores propõem um framework híbrido que combina Programação de Conjuntos de Respostas (ASP) para raciocínio estrutural e Python para computação numérica. O sistema é desenhado em torno de três hipóteses centrais:

1. H1 (Tolerância à Elaboração): Mudanças de partição podem ser gerenciadas modificando apenas fatos externos em ASP sem alterar o conjunto de regras.
2. H2 (Integridade Declarativa): Restrições de integridade de ASP podem impor declarativamente a correção e detectar edições malformadas.
3. H3 (Completude da Explicação): O solver pode gerar automaticamente átomos de explicação precisos, identificando exatamente quais distinções foram ganhas ou perdidas.

• Modelo Formal: O sistema modela uma Estrutura de Partição Epistêmica (EPS) onde agentes mantêm distribuições de probabilidade sobre um conjunto de mundos. A admissibilidade exige que, para qualquer agente, todos os mundos na mesma célula de partição possuam valores de probabilidade idênticos.
• Arquitetura Híbrida:
  • Camada ASP: Gerencia a camada estrutural discreta. Utiliza átomos #external para representar a membresia da partição (partition(Agente, Célula, Mundo)). Deriva relações de indistinguibilidade (indist) e verifica violações onde o perfil de crença de um agente atribui probabilidades diferentes a mundos indistinguíveis (violates). Também rastreia mudanças entre partições antigas e novas para gerar átomos de explicação (newly_dist, newly_indist).
  • Camada Python: Lida com os perfis de crença contínuos e operações numéricas. Calcula as diferenças de probabilidade específicas (fatos neq) e realiza a reparação por projeção. Quando ocorre uma violação devido ao encruamento, o sistema calcula uma reparação de preservação de massa, através da média das probabilidades dos mundos fundidos (o minimizador $L_2$ único).
• Fluxo de Execução: O sistema utiliza a capacidade de resolução multi-shot do clingo. O programa ASP é fundamentado (grounded) uma única vez. À medida que as mudanças de topologia ocorrem, o Python atualiza os átomos #external (afirmando ou retratando fatos de partição) e o solver reavalia o modelo sem necessidade de nova fundamentação, permitindo a reconfiguração eficiente em tempo de execução.

Principais Contribuições

1. Framework Formal: Um modelo formal para partições epistêmicas dinâmicas que distingue entre refinamento (preservador de admissibilidade) e encruamento (violador de admissibilidade), fornecendo um operador de reparação de projeção único e de preservação de massa para este último.
2. Codificação Declarativa: Uma codificação em ASP que suporta a reconfiguração baseada apenas em fatos. Isso alcança tolerância à elaboração, permitindo que o sistema se adapte a novas topologias sem modificar as regras lógicas subjacentes.
3. Geração de Explicação: Um mecanismo que deriva automaticamente "átomos de explicação" capturando a diferença simétrica das relações de indistinguibilidade. Isso permite que o sistema aponte exatamente quais pares de mundos causaram uma violação de admissibilidade após uma mudança estrutural.
4. Validação Experimental: Uma avaliação através de 100 mudanças de topologia geradas aleatoriamente e cenários específicos de fusão de sensores, confirmando a capacidade do framework de detectar violações, reparar crenças e fornecer explicações completas.

Resultados
A avaliação empírica apoia as três hipóteses centrais:

• Reconfiguração (H1): O sistema realizou com sucesso 50 operações consecutivas de topologia (incluindo refinamentos, encruamentos e adição/deleção de agentes) com um tempo mediano de resolução de 10,3 ms. Nenhuma modificação de regra foi necessária.
• Integridade (H2): O sistema alcançou uma taxa de detecção de 100% para partições malformadas (ex: cobertura de mundos ausente, células sobrepostas) usando apenas duas restrições de integridade declarativas, enquanto um baseline procedimental em Python exigiria lógica de validação dedicada para cada tipo de erro.
• Explicação (H3): Em 100 testes de mudança de topologia aleatória, 100% das violações de admissibilidade foram corretamente rastreadas até pares newly_indist (mundos que se tornaram indistinguíveis, mas possuíam crenças diferentes). O sistema forneceu saída diagnóstica precisa em vez de mensagens de erro genéricas.

Significância e Alegações
O artigo afirma preencher uma lacuna na interseção entre estrutura epistêmica, mudança dinâmica e crenças contínuas. Sua principal significância reside em demonstrar que o ASP pode servir como um controlador estrutural de tempo de execução para componentes numéricos em sistemas onde as restrições discretas mudam durante a execução.

Os autores argumentam que, embora soluções procedimentais possam ser mais rápidas para estruturas estáticas, a abordagem declarativa oferece tolerância à elaboração e completude de explicação superiores quando as estruturas são dinâmicas. O framework fornece garantias formais de preservação de admissibilidade sob refinamento e reparação única de preservação de massa sob encruamento. O trabalho posiciona-se não como um substituto para as teorias existentes de consenso ou fusão de crenças, mas como uma extensão necessária para domínios onde a capacidade representacional dos agentes é, ela própria, uma variável dinâmica.

Os autores reconhecem modestamente as limitações, observando que o custo de fundamentação de $O(|A| \cdot |W|^2)$ limita o uso interativo a aproximadamente 50 mundos, e que as explicações atuais são diagnósticas (identificam o que mudou) em vez de prescritivas (sugerem como corrigir além da projeção padrão). Sugere-se como trabalho futuro o uso de raciocínio abdutivo para explicações prescritivas e a integração com sistemas de ASP probabilístico.