Eine Klasse inferentieller Prozesse, bei denen das Hinzufügen neuer Prämissen zuvor gezogene Schlussfolgerungen ungültig machen kann; die Schlussfolgerung ist widerlegbar statt streng monoton.

Prinzip

Die Schlussbildung erfolgt mittels widerlegbarer Regeln und Präferenzen, sodass Schlussfolgerungen bei widersprüchlicher zusätzlicher Information zurückgezogen werden; Prinzipien wie Minimaländerung und Spezifität steuern, welche Schlüsse bestehen bleiben.

Demonstration

Ein Agent nimmt standardmäßig an „Vögel fliegen“ und schließt, dass ein bestimmter Vogel v fliegen kann; erfährt er danach, dass v ein Pinguin ist (Ausnahme), zieht er die Schlussfolgerung zurück, dass v fliegt.

Fehlanwendung

Nichtmonotones Schließen als bloße Unsicherheitsquantifizierung zu behandeln und damit widersprüchliche Behauptungen zu rechtfertigen, oder Rückzüge ohne Berücksichtigung von Prioritäten und Kontext vorzunehmen, was zu instabilen oder oszillierenden Schlussfolgerungen führt.

Konsequenz

Ermöglicht flexibles, kontextabhängiges Schließen, geeignet für Alltagsdenken und viele KI-Anwendungen, indem es vorläufige Schlussfolgerungen erlaubt, die bei neuen Fakten widerrufen werden können.

Umkehrung

Monotones Schließen: Schlussfolgerungen akkumulieren monoton und werden durch Hinzufügen weiterer Prämissen nie aufgehoben; einmal entailierte Schlüsse bleiben gültig.

Abgrenzung

Gilt für Logiken und Systeme mit widerlegbarem Folgerungsbegriff (Default-Logik, defeasible Logiken, Zirkumskription usw.); schließt rein monotone deduktive Systeme aus, kann aber mit probabilistischen Aktualisierungen interagieren.

Semantische Spannung

Spannung zur probabilistischen bzw. bayesschen Inferenz: Beide behandeln unsicheres Wissen, unterscheiden sich jedoch im Mechanismus (widerlegbare logische Regeln vs. Grade des Glaubens); zudem Spannung zur Glaubensrevision, die auf die Änderung ganzer Überzeugungsmengen zielt.

Synthese

Nichtmonotones Schließen umfasst regelbasierte, widerlegbare Inferenzverfahren, die vorläufige Schlüsse erlauben und deren Rücknahme durch neue Informationen durch Prioritäten, Spezifität und Minimaländerungsprinzipien organisiert wird, um commonsense-Inferenz zu modellieren.