Nov, 2022

关于时间马尔可夫逻辑网络推理的参数化

PDF
TL;DR本研究旨在提高对不一致和不确定数据的推理能力，并着重探讨历史科学中常见的带时间间隔的知识图形数据。我们提出了关于新的时间马尔科夫逻辑网络（TMLN）的语义原理，旨在实现高效的最大后验推理，并扩展马尔科夫逻辑网络（MLN）以涵盖不确定的时间事实和规则，并研究了不同时间公式之间的全局和局部时间（不）一致性关系。然后，我们提出了新的时间参数语义，可以组合多个子函数，使用不同的评估策略。最后，我们介绍了语义必须遵守的限制，以满足我们的原则。
inconsistencyuncertaintyknowledge-graph datatemporal logicmarkov logic networks
发现论文，激发创造
  • 概率逻辑神经网络推理

    该论文提出了一种基于 Markov Logic Network 和知识图谱嵌入方法的概率逻辑神经网络 (pLogicNet) 来推理缺失的三元组，该方法结合了两种技术的优点，并通过多重知识图实验证明了其优越性。

    Jun, 2019

  • 时间感知归纳逻辑推理

    本文研究了非知识图谱领域中的归纳逻辑推理问题，提出了基于超图的多起点随机 B-walk 方法和路径一致性算法相结合的后向链式归纳逻辑规则学习方法。

    Jun, 2022

  • 可微分的时间逻辑公式推理

    本文介绍了一种新型的循环神经网络结构，可用于学习信号时间逻辑公式，并对公式推导方法进行了系统性比较。通过梯度下降训练神经网络，在不施加特定模板的情况下推导出公式结构和参数，可在实现类似分类误差率（MCR）的情况下发挥作用。研究人员还发现时间逻辑推断问题存在欠确定性。

    Aug, 2022

  • 基于因果推理的马尔可夫决策过程时间推理

    本文介绍了一种新的概率时序逻辑，用于验证马尔可夫决策过程，其中包含因果推理操作符，使我们能够表达干预和反事实查询。

    Dec, 2022

  • 具有时间性质的生成逻辑：超越逻辑一致性和统计可能性

    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

  • 基于图神经网络的高效概率逻辑推理

    本研究探讨了 Markov 逻辑网络和图神经网络的组合，并使用图神经网络进行 MLN 中的变分推理。研究提出了一种名为 ExpressGNN 的 GNN 变体，并通过多个基准数据集的广泛实验表明，ExpressGNN 在有效和高效的概率逻辑推理方面具有领先优势。

    Jan, 2020

  • 时间感知逻辑路径神经网络用于时态知识图谱推理

    TiPNN 模型以历史时间图为基础，采用统一的图结构来全面捕捉和封装历史信息，并利用查询感知的时间路径模拟与查询相关的历史路径信息，从而实现对时间知识图的推理，并在归纳设置下取得显著性能提升。

    Sep, 2023

  • 大型语言模型能够学习时间推理

    我们提出了一种新的基于文本的时间推理模型 TempGraph-LLM，通过将上下文翻译成时间图，教导大型语言模型 (LLMs) 学习时间概念。我们证明了在其他任务上的预训练对 LLMs 的效益，并通过思路链的引导和特殊数据增强引导 LLMs 进行符号推理，观察到符号推理带来更一致可靠的结果。

    Jan, 2024

  • TLogic: 基于时间知识图谱的可解释链接预测的时间逻辑规则

    TLogic 是一个可解释的框架，它基于通过时间随机游走提取的时间逻辑规则，用于处理时间知识图中的链接预测。与现有技术相比，在具有共同词汇表的相关数据集上，TLogic 能够更好地解释和推理，并提供更好的综合性能。

    Dec, 2021

  • 通过抽象推理归纳进行时间知识问答

    我们提出了一种以构造主义为基础的方法，将 LLM 学习过程转向主动、持续的知识综合和定制，通过将时态推理分为两个阶段并整合历史数据中的抽象方法，显著提高了 LLM 对时态推理的能力。

    Nov, 2023