Feb, 2024

信念规则库混合专家系统的综合调查：决策科学与专业服务的桥梁

PDF
TL;DR使用混合方法的信念规则库（Belief Rule Base，BRB）系统可以处理模糊性、随机性和无知，既能处理数值数据又能处理来自不同来源的语言知识，具有很强的适用性。本研究旨在探索 BRB 的演变和多方面应用，并通过分析其在不同领域的发展，强调 BRB 在传统上难以被技术破坏领域（特别是保险和法律）中革新的潜力。
belief rule basehybrid approachmodellingnonlinear systemsmultifaceted applications
发现论文，激发创造
  • 基于案例推理的自然语言查询知识库

    本文提出了一种神经符号 CBE 方法，包括非参数记忆库和参数模型，能够对大型知识库中的问题进行问答，展示了在 ComplexWebQuestions 数据集上超越当前最新技术 11％的性能并显示出只需少量的人工标记示例，就能使用新案例的能力。

    Apr, 2021

  • CBR-iKB: 基于案例推理的不完整知识库问答方法

    提出了一种基于案例推理的方法，CBR-iKB，用于知识库问答系统，该方法可以适应不完整的知识库，通过新颖的非参数推理算法，综合多个推理链的决策，无需特定的训练或微调，达到了 100％的 MetaQA 准确度，同时在 WebQSP 下取得了 70％的准确率，超过了现有最优方法 22.3％以上。

    Apr, 2022

  • 面向智能家居服务设计的已训练神经网络规则提取方法

    提出 Pedagogic Based Rule Extractor (PBRE) 算法对基于学习方法的规则进行抽取以实现智能家庭动态规则生成，并比较其与现有算法的性能和应用于一个智能家居服务的结果。

    Jul, 2022

  • 基于概率的案例推理用于开放世界知识图谱补全

    通过借鉴类似实体在知识库中的推理路径，使用基于案例的推理系统来预测实体的属性，并引入使用路径统计量有效计算模型参数的概率性方法。在开放世界设置中，该方法的性能显著优于其他规则学习方法并与最先进的基于嵌入的方法相当。

    Oct, 2020

  • 可解释的证明生成：通过迭代反向推理实现

    本文提出 IBR 模型，是一个迭代反向推理模型，用于解决基于规则的问答证明生成任务。IBR 通过迭代反向预测证明路径的节点和边缘，增强了推理过程的可解释性，同时利用节点和历史路径的详细表示进行推理，提高了推理的效率和准确性。实验结果表明，与强基线模型相比，IBR 具有更好的领域内性能和跨领域可迁移性。

    May, 2022

  • 通过神经符号人工智能将规则和嵌入结合起来用于知识库完成

    通过提出两种不同的基于规则的 KBC 方法，并结合神经符号 AI，继承了布尔逻辑到实值逻辑，本文提出的模型实现了最佳的 KBC 精度，并通过将规则 - based KBC 与图嵌入相结合来解决关系路径的不均匀性。

    Sep, 2021

  • 基于知识的推荐对话系统

    本文提出了一种新的端到端框架，称为 KBRD，它将推荐系统和对话生成系统结合在一起。实验结果表明，我们提出的模型在对话生成和推荐方面均具有显著优势，并且这两个系统可以互相促进。

    Aug, 2019

  • REBA: 机器人知识表示和推理的基于细化的体系结构

    本文介绍了一种机器人体系结构，它结合了概率图形模型和声明性编程的互补优势，用于表示和处理基于逻辑和概率的不确定性和领域知识。它采用行动语言描述了两个粒度水平上的紧密耦合的过渡图，通过求解部分可观察的马尔可夫决策过程，支持在复杂领域中处理默认违规、嘈杂观察和不可靠行为的推理和规划。

    Aug, 2015

  • 基于推理的软件测试

    RBST 提出一种新的软件测试思路，即将测试问题视为因果推理任务，通过利用因果推理的工具来智能化测试搜索过程，与基于经验学习的策略相比具有更高的自然性和灵活性，其初步结果是有前途的。

    Mar, 2023

  • 基于案例推理的辅助领域专家处理黑盒机器学习模型欺诈警报

    本研究提出了一种基于事例推理的方法来评估机器学习模型预测的可信度，并通过可视化的方式呈现之前相似的情况，进一步证明了该方法对于处理欺诈检测中的机器学习警报具有实用性和易用性。

    Jul, 2019