本论文提出了一个知识图谱来助力情报推理，通过结合麦克风、相机和社交媒体数据进行攻击推断，解决了现有知识图谱和推理系统的局限性。我们的方法不是直接对接收到的信号进行处理，而是考虑攻击者行为、信号的发射和接收特征以及信号的总结方式，从而支持推断信号的根本原因。
Jun, 2022
人类使用因果关系和假设的回顾来进行日常决策、计划和理解生活事件。AI 系统需要更丰富的因果关系表示来支持干预和反事实推理，以提高人类对 AI 系统的理解。Causal Knowledge Graph（CausalKG）框架利用最近的因果关系进展和 KG，提供了一种领域适应型的因果模型，用于表示 KG 中的复杂因果关系，并支持反事实推理和干预，从而实现了领域可解释性。
Jan, 2022
介绍了一个名为 FactKG 的新数据集，该数据集包含 108k 个自然语言声明及其相关类型的推理，旨在通过推理知识图谱来进行事实验证，并开发了基于这些推理类型的基线方法，以提高知识图谱的可靠性和实用性。
May, 2023
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。
Feb, 2022
该论文提出了一种简单的推理理论，用来从数据中完全推理符号知识。采用贝叶斯方法模拟数据如何导致符号知识，符号知识的概率推理被建模为正向与反向因果推理的过程。该理论应用于机器人本地化问题，研究表明机器人在完全基于数据的情况下，即使传感器出现故障或噪声也可以高效解决问题。
Jan, 2023
提出了一种针对知识图谱的诱导逻辑推理任务的生成模型方法，该方法使用监督学习和增强学习从观测中生成逻辑假设，并借助增强学习从知识图谱中提供更好的观测解释，实验证明该方法在三个常用知识图谱上取得了最先进的结果。
Dec, 2023
KGroot 使用事件知识和事件之间的关联性，通过整合知识图谱和 GCNs 进行根因推理，以自动识别故障事件和传播路径之间的关系，实现了准确率为 93.5% 的根本原因定位，表现优于工业环境中实时故障诊断和 RCA 的最先进基线。
Feb, 2024
本篇论文提出了一种神经符号推理器，可以处理大规模的动态常识知识图谱，通过学习逻辑规则，提供可解释性的预测，并在 CKGs 的链接预测任务上表现优于现有的技术。
May, 2021
本文提出了一种从新闻中构建因果知识图谱的方法，其中采用了基于 BERT 的抽取模型和主题模型等技术，最终实现了高召回率、高精度和高连通性的知识图谱，有效地捕捉和传达因果关系。
知识图谱嵌入（Knowledge graph embedding，KGE）通过将知识图谱（knowledge graph，KG）中的实体和关系表示为连续向量空间，可以用于预测缺失的三元组，实现知识图谱补全。然而，KGE 模型通常只能简要地学习三元组数据的结构关联，并且在真实世界的知识图谱中会被无关的模式和噪声链接误导。为了解决这个问题，我们在因果关系和嵌入解缠方面构建了一种新的 KGE 范式。我们进一步提出了一种因果增强的知识图谱嵌入（CausE）框架。CausE 应用因果干预来估计混杂嵌入的因果效应，并设计了新的训练目标来进行稳定的预测。实验结果表明，CausE 能够胜过基线模型，实现最先进的知识图谱补全性能。我们在指定的 URL 中发布了我们的代码。
Jul, 2023