知识图谱的简洁可解释概率分类器
本文介绍了一种基于Ordered Decision Diagrams（ODDs）的贝叶斯网络分类器的推理方法，包括将任何朴素贝叶斯分类器转换成ODDs的算法，以及使用ODDs进行等价性测试和CPT更改范围的特性分析。
Oct, 2012
本文提出一种基于(条件)马尔科夫网络的框架，可以 effectively 地训练 probabilistic relational models，并使用近似概率推断对多个相关对象进行 collective classification，从而解决了先前方法的两个限制：有向模型无法表示许多重要的关系依赖性和难以用于判别式训练。在网页分类任务上的实验证明，建模关系依赖性可以显著提高分类准确性。
Dec, 2012
该研究提出了一种基于将贝叶斯网络分类器编译成具有可处理和符号形式的决策函数的方法，用于解释分类器如何分类实例的两种类型解释，并提供了计算这些解释的算法。
May, 2018
本文提出一种新的盒状晶格及其概率测度来捕捉反相关和不相交的概念，旨在克服Order Embeddings及其概率扩展无法建模现实世界知识中的负相关的问题。该方法不仅可以进行丰富的联合和条件查询，而且可以从预测中学习，并提高建模Flickr和WordNet蕴含图的能力。
May, 2018
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
本研究提出了概率充分解释的理念，即通过“足够简单”的特征子集来“足以”解释分类行为，并结合可扩展的概率推理算法设计出可行的实现方案。实验证明，本算法找到的充分解释更有效，且优于基准模型 Anchors 和逻辑解释。
May, 2021
该研究利用逻辑实体表示（LERP）来将实体的上下文信息编码到知识图谱中，然后将其与概率逻辑规则学习相结合，从而学习出更具表现力的规则，提高知识图谱的补全能力。实证结果表明，LERP可提高规则表达的能力，并达到了甚至优于黑盒模型的水平，并且LERP可以与诸如TransE等嵌入学习方法相结合，使其更具可解释性。
May, 2023
本文旨在设计一种称为神经概率逻辑学习（NPLL）的推理框架，该框架在知识图谱上实现准确的推理。我们的方法引入了一个评分模块，有效增强了嵌入网络的表达能力，在模型简洁性和推理能力之间取得平衡。我们通过引入基于变分推理的马尔科夫逻辑网络，提高了模型的解释能力。我们在几个基准数据集上进行了实证评估，实验结果验证了我们的方法显著提高了推理结果的准确性和质量。
Jul, 2024