使用知识图谱计算基于规则的机器学习分类器解释

Feb, 2022

Computing Rule-Based Explanations of Machine Learning Classifiers using Knowledge Graphs

Edmund Dervakos, Orfeas Menis-Mastromichalakis, Alexandros Chortaras, Giorgos Stamou

TL;DR使用知识图谱作为机器学习分类器解释操作的术语，并提出一种提取和表示黑匣子解释的新方法。

Abstract

The use of symbolic knowledge representation and reasoning as a way to resolve the lack of transparency of machine learning classifiers is

发现论文，激发创造

通过引入一个拓扑框架，本文研究了基于规则的解释方法的解释能力，提出了解释方案的可定义性的概念，并讨论了解释方案的选择如何取决于用户对领域和特征空间概率测度的了解程度。

Jan, 2023

该论文展示了知识图谱注入的深度学习方法，并讨论了这种方法对当前自然语言处理在医疗和教育领域中的可解释性和可解释性的基本差异。

Oct, 2020

本文介绍了一种使用结构化先验知识的方法，包括知识图谱和图搜索神经网络，以在图像分类流程中有效地融入大型知识图谱，并在多标签分类方面优于标准神经网络基线。

Dec, 2016

我们将作者识别问题视为知识图谱的构建和精细化问题，并通过学习概率逻辑模型从人类指导中学习关系回归树，以可解释规则输出。人类知识以一阶子句的形式注入以精炼树，且我们在七个作者领域定量和定性地展示了人类知识的实用性。

Sep, 2023

研究了知识图谱（KGs）中基于嵌入的链接预测规则解释的影响，发现更具体的规则和本地作用域可以提高解释的准确性，并可以提供有关 KG 嵌入的更多洞察力。

Feb, 2023

本文提出了一种新的方法，通过迭代学习来注入规则并学习表示以充分利用规则和嵌入，取得了高效性和可扩展性的良好平衡，并通过两个公共数据集的评估，优于当前最先进方法，提高了均值倒数排名（MRR）2.7％和 4.3％。

Jan, 2023

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

该论文提出了一种新的联合学习框架来整合知识图谱中可解释规则的归纳和基于规则的神经推荐模型构建，增强推荐模块的泛化能力，解决冷启动问题，并在真实世界的数据集上显著提高了物品推荐的性能。

Mar, 2019

本文介绍了一种通过利用知识图谱的外部知识来生成解释的方法，通过 Personalized PageRank 算法对商品和知识图谱实体进行联合排序，生成具有解释的推荐。

Jul, 2017