AAAIFeb, 2020

自动驾驶数据知识图谱嵌入评估：经验与实践

PDF
TL;DR该研究旨在探讨自动驾驶数据的知识图嵌入生成和评估，并考虑知识图的信息细节与衍生嵌入质量的关系，结果表明，在自动驾驶领域，知识图的信息细节越高，衍生嵌入的质量越高，并且基于语义转移距离的 TransE 算法更好地捕捉类型和关系的语义。
autonomous drivingknowledge graphsscene understandingneuro-symbolic fusionkges
发现论文，激发创造
  • 基于知识图谱的自动驾驶方法综述

    本文提出了基于知识图谱和本体论的自动驾驶解决方案，涵盖了本体学习、感知、场景理解、运动规划和验证等五大主要领域，并讨论了当前的挑战和未来研究方向。

    Sep, 2022

  • 高效嵌入动态知识图谱

    提出了一种上下文感知的动态知识图谱嵌入方法 (DKGE)，该方法利用两个有注意力机制的图卷积网络、一种门控策略和翻译操作，通过双重表示 (知识嵌入和上下文元素嵌入) 联合模型化实体和关系及其环境，以快速获取更新的知识图谱嵌入，同时支持从头开始的知识图谱嵌入。实验证明 DKGE 在动态环境下具有良好的有效性和效率。

    Oct, 2019

  • 知识图谱嵌入：概述

    本文综述了知识图谱完成中的当前研究状态，特别关注了知识图谱嵌入设计的两个主要分支：基于距离的方法和基于语义匹配的方法，并探讨了与最近提出的模型之间的关联及其背后的趋势，最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。

    Sep, 2023

  • 知识图谱嵌入在药物发现中的性能理解

    该研究探讨了五个知识图谱嵌入模型在两个以药物发现为导向的公共知识图谱上的预测表现，并发现模型性能受训练设置、超参数选择、模型参数初始化种子以及数据集的不同分割等因素的显著影响。作者强调，为确保未来工作的完全可重现性和公正比较，应将这些因素与模型架构一起报告，并且这对于知识图谱嵌入在生物医学领域的应用和影响至关重要。

    May, 2021

  • 基于知识图谱嵌入和贝叶斯推理的车辆换道预测

    基于语言上下文信息利用知识图谱实现车道变更预测，并应用贝叶斯推理，预测车道变更两秒前的 f1 得分为 97.95%，领先于现有技术，三秒前的 f1 得分为 93.60%。

    Dec, 2023

  • 用于焊接质量监控的字面感知知识图嵌入：博世案例

    用知识图谱嵌入方法研究了应用于制造业中焊接质量监控的问题，结果揭示了已适应的嵌入方法的限制和有希望的方面。

    Aug, 2023

  • 基于 RAG 的使用知识图谱和大型语言模型的自动驾驶道路用户行为可解释预测

    在自动驾驶的背景下，通过结合知识图谱和大型语言模型的推理能力与表达能力，提出了一种可解释的道路用户行为预测系统，该系统使用检索增强生成技术，通过知识图谱嵌入和贝叶斯推理结合在一起，实现对行为的预测，并在行人过马路行为和变道操作的两个应用场景中表现出超越现有技术的性能和 F1 得分，展示了未来研究的有希望的方向。

    May, 2024

  • 获取自动驾驶场景解释的定性可解释图

    汽车自动驾驶中的鲁棒公平可解释人工智能方法的发展是其未来的基础。本文提出了一种名为 Qualitative eXplainable Graph（QXG）的汽车自动驾驶场景的新表达方法，用于对长期场景进行定性时空推理。实验证明，这种定性可解释图的实时计算和轻量级存储为改进和更可信赖的感知与控制过程提供了潜在的有趣工具。

    Aug, 2023

  • IntelliGraphs: 用于知识图谱生成基准测试的数据集

    该论文介绍了一种名为 Subgraph Inference 的任务，并提出了一个包含逻辑规则的知识图子图的数据集 IntelliGraphs，并设计和评估了不同的基准模型，旨在鼓励发展注重语义理解的机器学习模型。

    Jul, 2023

  • 利用实体邻居和深度记忆网络的知识图谱嵌入

    本文提出了一种称为实体邻居的新型附加信息，并使用深度记忆网络模型编码邻居信息。通过引入门控机制，结构和邻居的表征被整合成一个联合表征，实现了知识图谱嵌入（KGE）技术中实体表示的最新技术性能。

    Aug, 2018