基于能量的神经符号推理知识图谱模型
本研究开发了一种结合符号逻辑和神经网络自动生成生物学知识图谱节点的向量嵌入方法,用于生物知识图谱的边预测,并实现了优于人工特征方法的表现,该方法可应用于任何生物知识图谱中,并开放性的提供了生物领域中基于语义 Web 技术的知识库的机器学习和数据分析。
Dec, 2016
人工智能的快速发展,特别是通过深度神经网络,已经在视觉和文本处理等领域取得了显著进展。但是,实现人类类似的推理和可解释的人工智能系统仍然面临重大挑战。神经符号学范式将神经网络的深度学习能力与符号系统的推理能力结合起来,提供了开发更透明和可理解的人工智能系统的有希望途径。本文探讨了基于知识图谱的神经符号一体化的最新进展,阐明了知识图谱在三个关键类别中支撑着这种一体化:通过引入符号知识来增强神经网络的推理和可解释性(Symbol for Neural),通过神经网络方法来提高符号系统的完整性和准确性(Neural for Symbol),以及促进两者在混合神经符号一体化中的应用。本文强调了当前的趋势,并提出了神经符号人工智能领域未来研究的方向。
May, 2024
这篇论文调查了在图结构上执行神经符号推理任务的广泛方法,并提出了一个新的分类法来比较这些方法,包括基于逻辑推理嵌入方法、施加逻辑约束的嵌入方法和规则学习方法。此外,还提供了一个表格概述这些方法。
Feb, 2023
本文介绍了一种基于连续学习方法的增量知识图嵌入技术,弥补了现有嵌入技术只能处理先前已知概念的局限性,并提供了一些在知识图嵌入技术和机器人应用之间进行权衡的洞见。
Jan, 2021
本文针对图结构数据的分类问题,提出了一种基于能量的图神经网络模型,并成功实现了该模型,通过实验发现它在鲁棒性方面比标准的图卷积网络有明显提升,为未来基于能量的图神经网络研究开辟了新的方向。
Apr, 2021
该研究使用决策树分类器解释学习的黑盒知识图谱表示,提供自然语言解释以帮助非专家解决机器人行为问题,结果表明该框架提供了对知识图谱对机器人决策的影响的解释和校正。
May, 2022
本文调查了神经符号人工智能的杂交方法在生物医学领域的实用性和潜在益处,这些方法对于如药物重新定位等任务的 KG 完成 (KGC) 更为适合,因为生物医学数据集通常被建模为知识图谱 (KG) 以捕捉其多关系、异质性和动态属性。
Jul, 2023
本文提出了一种新的神经网络架构,它将多关系图嵌入到灵活的连续向量空间中,以增强数据的原始语义,并在文献标准数据集上表现出了高竞争性的链接预测性能。
Jan, 2013