Apr, 2024

将人类和由神经网络生成的知识图进行特定任务对齐

PDF
TL;DR本研究开发了一种创新方法，使神经网络能够生成和利用知识图谱，通过与人类提供的知识对齐，描述概念级知识并优化网络参数。实验结果表明，我们的方法始终捕捉到与人类知识密切对齐的网络生成的概念，并且甚至能够发现人类之前未发现的新概念。这种策略不仅增强了神经网络的可解释性，而且有助于在这些系统中集成符号逻辑推理。
neural networksknowledge graphsautoencodervector symbolic architectureinterpretability
发现论文，激发创造
  • 知识图谱对齐能从神经符号学习方法中获得什么？

    知识图谱是许多数据密集型应用程序的基础，它们能够表示数据及其含义和上下文。本文通过检查当前知识图谱对齐的现状并探索神经符号集成的潜力，突出结合这些领域的有希望的研究方向。

    Oct, 2023

  • 从应用角度探索基于知识图的神经符号系统

    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

  • 基于图匹配神经网络的跨语言知识图谱对齐

    该论文将主题实体图引入跨语言知识图谱对齐，通过图匹配和基于图注意力的模型来进行相似实体的匹配，实验证明该方法比现有的方法表现更好。

    May, 2019

  • 具有可转移图自编码器的网络对齐

    网络对齐是在不同图形之间建立一对一对应关系的任务，我们提出了一种新颖的广义图自编码器架构，旨在提取强大且鲁棒的节点嵌入，以实现更准确的对齐，并证明生成的嵌入与图的特征值和特征向量相关联，可以与传统谱方法相比实现更准确的对齐。我们的框架还利用迁移学习和数据增强，在无需重新训练的情况下实现了非常大规模的网络对齐。对真实世界图形的广泛实验提供了证据，支持所提方法的有效性和可扩展性。

    Oct, 2023

  • 基于能量的神经符号推理知识图谱模型

    本研究提出了一种基于能量的图嵌入算法来描述工业自动化系统，学习多个领域的知识，从而可以进行上下文感知预测和评估异常严重性，该模型可以应用于机器学习和神经形态计算等领域。

    Oct, 2021

  • 基于知识图谱的神经网络在自然语言处理中的应用

    提出了一种增强学习模型的方案，即通过知识图谱的事实三元组来为自然语言处理任务提供上下文知识，并采用基于卷积的模型来减少关注空间，从而大大提高了文本分类和自然语言推理任务的性能。

    Feb, 2018

  • 生物知识图谱上的神经符号表示学习

    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

  • 将知识表征映射到概念：回顾与新视角

    该研究审查了通过提出分类法来将人类可理解的概念与神经网络中的内部表示相对应的研究，并发现了与模型可解释性目标有关的文学研究中的歧义，即是理解机器学习模型还是在部署领域有用的可行解释。

    Dec, 2022

  • 利用知识图谱增强神经机器翻译

    本文研究证明，通过在神经网络中嵌入知识图谱可以提高实体和专有名词的翻译效果，并提出了两种方法以增强神经模型的语义特征提取和对数据稀缺性和词汇表外的单词的挑战进行了探讨，结果表明，KG-NMT 模型取得了很好的效果。

    Feb, 2019

  • 在预训练模型中加入常识知识图谱以进行社交常识任务

    该研究提出了两种方法，通过外部常识知识图谱，隐式或显式地融入到预先训练好的自然语言处理模型中，以提高社交智能，这种方法对社交常识推理任务 SocialIQA 的表现在有限和完整的训练数据制度下都表现出良好的效果。

    May, 2021