Generating Explanations for Evidential Reasoning
IRIDIA;Service d'Automatique(自动化服务);Universite libre de Bruxelles(布鲁塞尔自由大学)
在本文中,我们提出了两种方法来提供解释的推理与信念功能的评估为基础的系统。受Strat方法的启发,一种方法是基于灵敏度分析,但它的计算比Strat方法更简单,因此更容易实现。另一种是通过对证据中信息含量的度量来考察证据对结论的影响。我们展示了在基于估值的系统的背景下,条件独立的证据的可加性属性。我们将给出一个例子来说明这些方法是如何应用于证据网络。
2013-02-20 cs.AI
Implementing Evidential Reasoning in Expert Systems
University of California, Berkeley(加州大学伯克利分校)
Dempster-Shafer理论近年来得到了扩展,应用于专家系统。然而,在基于规则的系统中实现扩展的D-S推理模型使得生成信息解释的任务变得非常复杂。通过实现GERTIS,诊断类风湿关节炎的原型系统,我们表明,两种知识是必不可少的解释生成:(1)分类类之间的关系假设和(2)指针的规则,显着有助于信念的假设。其结果是,在GERTIS表示的知识是更丰富和更复杂的比传统的基于规则的系统。GERTIS不仅证明了基于规则的证据推理系统的可行性,而且还提出了生成更好解释的方法,并明确表示假设和规则之间的各种有用关系。
2013-03-27 cs.AI
Deriving And Combining Continuous Possibility Functions in the Framework of Evidential Reasoning
SRI International(斯坦福国际研究院)
为了开发一种方法来利用连续的统计信息的Dempster- Shafer框架内,我们结合斯特拉特和Shafero提出的方法。我们首先从概率密度函数推导出连续的可能性和质量函数。然后,我们提出了一个规则相结合的证据,是更简单,更有效地计算比Dempster的规则。我们讨论了Dempster规则和我们提出的规则之间的关系,在连续帧的证据相结合。
2013-03-27 cs.AI
Analysis and Extension of the Evidential Reasoning Algorithm for Multiple Attribute Decision Analysis with Uncertainty
Northwestern Polytechnical University(西北工业大学)
在多属性决策分析(MADA)问题中,往往需要处理具有不确定性的评价信息。证据推理方法是处理此类MADA问题的有效方法之一。作为证据推理方法的核心,Yang等人首先提出了一个原始的证据推理(ER)算法,然后他们对ER算法进行了改进,以满足所提出的四个合成公理,而这四个公理是一个合理的聚集过程所需要满足的。然而,到目前为止,这两种ER算法的本质区别以及综合公理的合理性仍然不清楚。本文在Dempster-Shafer理论(DST)框架下对ER算法进行了分析,证明了原ER算法遵循可靠性折扣和组合方案,而改进的ER算法遵循重要性折扣和组合方案。进一步揭示了这四个综合公理并不是检验一个属性聚合算法合理性的有效准则。在此基础上,提出了一种扩展的ER算法,该算法综合考虑了属性的可靠性和重要性,为不确定性MADA提供了一种更通用的属性聚合方案.以摩托车性能评估问题为例说明了该算法的有效性。
2019-03-28 cs.AI
Heuristic Search as Evidential Reasoning
University of California(加利福尼亚大学)
BPS,贝叶斯问题求解器,应用概率推理和决策理论控制灵活,资源受限的问题解决。本文重点讨论了BPS中的贝叶斯推理机制,并将其与传统的启发式搜索技术进行了对比。通过执行声音推断,BPS可以以显著更少的计算工作量胜过传统技术。对八个问题的实证测试表明,BPS算法在几百个节点扩展后,比现有最好的算法在几百万个节点扩展后做出更好的决策
2013-03-27 cs.AI
Knowledge Structures and Evidential Reasoning in Decision Analysis
Schlumberger Palo Alto Research(斯伦贝谢帕洛阿尔托研究院);University of California, Berkeley(加州大学伯克利分校)
决策因素在复杂决策过程中的作用表现为这些因素如何影响决策的整体性。评估部分匹配因素的证据,然后将有效的计算规则应用于这些角色,以形成证据的适当聚合。这种技术的使用支持表达更深层次的因果关系,也可以保持决策者的认知结构比通常的加权方法,确定性因素或其他概率模型可以更好。
2013-03-27 cs.AI
A General Purpose Inference Engine for Evidential Reasoning Research
Advanced Decision Systems(高级决策系统公司)
本文的目的是报告在我们正在进行的调查的最新发展的表示和操纵的不确定性自动推理系统。在我们早期的研究中(Tong和Shapiro,1985),我们描述了一系列用RUBRIC的实验(Tong等人,1985年),一个系统的全文文档检索,产生了一些有趣的见解的影响,选择一类标量值的不确定性演算。[为了扩展这些结果,我们已经开始了一系列新的实验,使用更大类的表示和演算,为了帮助执行这些实验,我们开发了一个通用的推理引擎。
2013-03-27 cs.AI
Evidential Reasoning in Image Understanding
University of North Carolina(北卡罗来纳大学)
在本文中,我们提出的证据推理在理解遥感系统的多光谱图像的一些结果。采用证据组合的Dempster-Shafer方法得到上下文分类结果,并与贝叶斯上下文无关分类、动态规划上下文分类和随机松弛方法的结果进行了比较。
2013-03-27 cs.AI cs.CV
Evidential Reasoning in a Categorial Perspective: Conjunction and Disjunction of Belief Functions
IRIDIA, Universite Libre de Bruxelles(布鲁塞尔自由大学IRIDIA)
证据推理的范畴方法可以看作是RichardJeffrey(1965)的概率运动学方法和E. T. Jaynes(1957年)。作为这种观点的结果,众所周知,范畴论为逻辑联结词提供了自然的定义。特别是,析取和合取是由一般范畴结构(称为乘积和余积)建模的。在本文中,我主要集中在Dempster-Shafer理论的信念函数,我介绍了一类我叫Dempster?的类别。证明了可分信度函数子范畴中合取与析取的存在性,并给出了明确的计算公式。在登普斯特?的类别,新定义的连接可以被看作是最谨慎的连接的信念,因此没有假设的独特性(来源)的信念是需要的,而不是登普斯特?的规则的组合,这要求明确(来源)的信念。
2013-03-20 cs.AI
Metaprobability and Dempster-Shafer in Evidential Reasoning
Advanced Information & Decision Systems(先进信息与决策系统公司)
专家系统中的证据推理经常使用ad-hoc不确定性演算。虽然人们普遍认为概率论提供了一个坚实的理论基础,但研究人员发现它作为一种可行的不确定性演算存在一些问题。这些问题包括无知的表现,概率判断的一致性,以及先验判断与经验的调整。亚概率理论在证据推理中的应用为解决这些问题提供了一条新的途径。亚概率论可以被看作是一种对信念提供软约束或硬约束的方法,其方式与Dempster-Shafer理论对状态空间子集上的概率质量提供约束的方式大致相同。因此,我们使用证据推理的另一种理论Dempster-Shafer理论来说明元概率理论作为证据推理的理论。本文的目的是比较亚概率理论和Dempster-Shafer理论如何处理一个特定的思想实验的证据信念的调整。第2节和第3节简要介绍了亚概率和Dempster-Shafer理论。元概率论处理应用于证据推理的高阶概率。Dempster-Shafer理论是概率论的一种推广,它是从上概率和下概率理论发展而来的。第四节描述了一个思想实验和实验的元概率和DempsterShafer分析。思想实验的重点是形成对具有6种类型成员的人口的信念{1,2,3,4,5,6}。类型由三个特征的值唯一定义:A,B,C。也就是说,如果已知群体中一个成员的三个特征,那么就可以确定其类型。这三个特征中的每一个都有两个可能的值(例如,A可以是“a0”或“al”)。信念由两个传感器(传感器A…
2013-03-27 cs.AI
Evidential Reasoning in Parallel Hierarchical Vision Programs
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of Wisconsin-Milwaukee(威斯康星大学密尔沃基分校)
本文提出了一种有效的适应和应用的证据理论,一个可以有效地用于大规模并行层次系统的视觉模式感知的Dempster-Shafer。它描述了所使用的技术,并在一个扩展的示例中显示了它们如何在应用多层次的过程集时提高系统的性能。
2013-03-27 cs.AI cs.CV
Evidential Reasoning in a Network Usage Prediction Testbed
Rockwell Science Center(罗克韦尔科学中心);University of Rochester(罗切斯特大学);Stanford University(斯坦福大学);Washington University(华盛顿大学)
本文报告的实证工作,旨在比较证据推理技术。虽然有初步证据可以得出一些结论,但i6的这项工作正在进行中;目前的重点是方法,目标是随后的结果有意义。域是UNIX* 循环服务器的网络,任务是从状态的部分描述中预测网络状态的属性。从网络中获取实际数据,并用于在允许投注的赌博游戏中进行盲测。重点技术是Kyburg的方法,用于对与特定查询相关性不同的数据进行推理,尽管其目的是最终能够比较各种不确定性演算。结论并不新颖,但具有启发性。1.所有结石的表现都比人类受试者好,因此无偏见地获得样本经验显然是有价值的。2.性能取决于指标:(a)当重复试验时,如果正确下注的概率足够高,净收益=损失有利于下注多次的方法;也就是说,它有利于点值形式主义;(b)收益=收益/(收益+损失)有利于只有在确定下注正确时才下注的方法;也就是说,它有利于区间值形式主义。3.在结石中,没有明显的赢家或输家。方法被确定为消除作为性能标准的净偏差,并有效地分离结石:在这两种情况下,通过张贴赔率的赌博游戏在适当的方式。
2013-03-27 cs.AI
AIS-BN: An Adaptive Importance Sampling Algorithm for Evidential Reasoning in Large Bayesian Networks
随机抽样算法,而在非常大的贝叶斯网络模型中的精确算法的一个有吸引力的替代方案,已被观察到执行不佳的证据推理与极不可能的证据。为了解决这个问题,我们提出了一个自适应重要性采样算法,AIS-BN,即使在极端条件下,表现出有前途的收敛速度,似乎优于现有的采样算法一致。这种性能改进的三个来源是:(1)基于有限维积分中重要性采样的理论性质和贝叶斯网络的结构优势的重要性函数初始化的两种算法,(2)重要性函数的平滑学习方法,以及(3)用于组合来自算法的不同阶段的样本的动态加权函数。我们测试了AIS-BN算法的性能以及两种最先进的通用采样算法,似然加权(Fung和Chang,1989; Shachter和Peot,1989)和自重要性采样(Shachter和Peot,1989)。我们在测试中使用了科学界可用的三个大型真实贝叶斯网络模型:CPCS网络(Pradhan等人,1994年)、Pathendas网络(Heckerman、Horvitz和Nathwani,1990年)和ANDES网络(Conati、Gertner、VanLehn和Druzdzel,1997年),证据的可能性为10^-41。虽然AIS-BN算法总是比其他两种算法表现得更好,但在大多数测试用例中,它在结果精度方面实现了数量级的改进。在给定所需精度的情况下,速度的提高甚至更加引人注目,尽管我们无法在这里报告数值结果,因为其他算法几乎…
2011-06-01 cs.AI
Practical Challenges in Explicit Ethical Machine Reasoning
University of Liverpool(利物浦大学)
我们检查实现系统的伦理机器推理,以确定该领域所带来的实际挑战(而不是哲学挑战)。我们确定需要复杂的道德机器推理不仅是多目标的,积极主动的,可理解的,但它必须借鉴异构证据推理。我们还认为,在许多情况下,它需要实时的操作并可核查。我们提出了一个一般的架构,涉及一个声明性的道德仲裁者,它利用多个证据推理,每个负责系统的环境中的一个特定的道德功能。我们声称,这种架构使一些道德机器推理带来的实际挑战之间的关注分离。
2018-01-04 cs.AI
Benchmarking Source-Sensitive Reasoning in Turkish: Humans and LLMs under Evidential Trust Manipulation
University of Chicago(芝加哥大学);F rat University(费拉特大学)
本文研究了来源信任对土耳其语证据形态学的影响,并评估了LLM对此的敏感性。人类在可控的cloze情境中表现出稳定的信任效应,而LLM表现不一致且常受输出合规性问题影响。
2026-04-27 cs.AI cs.CL
Evidential Cyber Threat Hunting
IBM Research(IBM研究院)
一个正式的网络推理框架,自动化的威胁狩猎过程。新的网络推理方法引入了一种操作语义,它在三个子空间(知识、假设和行动)上运行,以实现人机共同创建威胁假设和保护建议。该框架的实现表明,该方法是实用的,可以用来推广基于证据的多标准威胁调查。
2021-04-21 cs.AI cs.CR
Follow the Clues, Frame the Truth: Hybrid-evidential Deductive Reasoning in Open-Vocabulary Multimodal Emotion Recognition
Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Hangzhou, China(杭州高等研究 institute,中国科学院大学,杭州,中国)
本文提出HyDRA架构,通过混合证据推理解决多模态情感识别中的歧义问题,通过强化学习优化推理过程,提升在复杂场景下的识别性能。
2026-03-17 cs.AI cs.HC
Application of Evidential Reasoning to Helicopter Flight Path Control
本文提出了一种专家系统推理和知识表示方法,用于在实时车辆导航系统中处理不确定性。提出了一种创新的证据推理方法,即求和与格点方法,并进行了数学推导、并行环境实现及原型软件开发和测试。
2013-03-27 cs.AI cs.RO cs.SY
HERO: Hierarchical Evidential Reasoning Optimization for Radiology Report Generation via Reason-then-Summarize
University of Pittsburgh(匹兹堡大学);University of Texas Rio Grande Valley(德克萨斯大学里奥格兰德谷分校);The University of Manchester(曼彻斯特大学)
本文提出了一种自洽的强化学习框架,用于生成可信的放射学报告,通过优化生成过程和减少幻觉,提升了临床效果。
2026-10-14 cs.AI cs.LG
Evidential Reasoning Advances Interpretable Real-World Disease Screening
The Center for Smart Health, School of Nursing, the Hong Kong Polytechnic University, Hong Kong, China(智能健康中心,护理学院,香港理工大学,香港,中国);Research Institute for Smart Ageing, the Hong Kong Polytechnic University, Hong Kong, China(智能老龄化研究 institute,香港理工大学,香港,中国);School of Biomedical Engineering, Tsinghua Medicine, Tsinghua University, Beijing, China(生物医学工程学院,清华大学,北京,中国)
本文提出EviScreen框架,通过区域证据提升疾病筛查的可解释性与性能,利用双知识库和对比检索提升定位解释性,实现实世界疾病筛查的高特异性。
2026-05-14 cs.AI cs.CV cs.LG
CHARLIE: An On-Premise Multi-Agent Retrieval-Augmented Generation System for Evidential Reasoning in Forensic Science
Forensic Institute, Civil Police of Federal District, Brazil(巴西联邦区刑事研究所);University of Brasília, Brazil(巴西巴西利亚大学)
介绍用于法医学证据推理的本地多智能体检索增强生成系统CHARLIE,通过结合多种机制应对取证挑战,在机构内运行维护数据主权等,经案例研究验证其能支持证据工作流程,为高风险取证环境部署AI系统提供蓝图。
2026-07-08 cs.AI cs.DL
When Thinking Drifts: Evidential Grounding for Robust Video Reasoning
The University of Texas at Austin(德克萨斯大学奥斯汀分校);UC Berkeley(伯克利大学);Bespoke Labs(Bespoke实验室)
针对视频推理中思维链导致的视觉思维漂移问题,提出视觉证据奖励(VER)强化学习框架,在10个基准上达到顶尖性能,实现基于视觉证据的稳健推理。
2025-10-07 cs.AI cs.CV
GFDC: A Granule Fusion Density-Based Clustering with Evidential Reasoning
Hunan University(湖南大学);Shenzhen Research Institute of Hunan University(湖南大学深圳研究院);Shenzhen University(深圳大学)
针对密度聚类在全局密度度量、簇结构确定及密度差异数据处理上的不足,提出GFDC,通过稀疏度度量、信息粒生成与融合及Dempster-Shafer分配实现稳健聚类。
2023-05-20 cs.AI cs.DC cs.IT
Evidential Confirmation as Transformed Probability
Stanford University(斯坦福大学)
人工智能领域的大量工作都涉及到为一组共同的命题聚集确认性和不确认性证据的措施。声称经典概率是不充分或不适当的,一些研究人员甚至发明了新的形式和方法。我们将展示如何代表两个主要的这种替代方法,不仅在转换(贝叶斯)概率方面的证据确认,但也在对方。这统一了证实理论的两种主要方法,通过表明修订的MYCIN不确定性因子方法[12]等价于Dempster-Shafer理论的特殊情况。它产生了一个很好理解的公理基础,即条件独立性,解释以前的工作定量证实理论。它实质上解决了先验的“征税或留下”问题:MYCIN不得不把它们排除在外,而PROSPECTOR不得不把它们放进去。它重述了一些确认理论的优势,在心理上的可及性概率信息在不同的(转换)格式。最后,它有助于统一不确定推理的表示(参见[11])。
2013-03-27 cs.AI
Comparisons of Reasoning Mechanisms for Computer Vision
University of Wisconsin-Milwaukee(威斯康星大学密尔沃基分校)
介绍了一种基于Dempster-Shafer证据理论的证据推理机制。它在现实世界中的图像分析的性能进行了比较与其他机制的基础上贝叶斯形式主义和一个简单的权重组合方法。
2013-03-27 cs.AI cs.CV
Towards Generalizable and Evidential Nuclear Magnetic Resonance-Based Molecular Structure Elucidation via Large Language Model Agent
Information Hub, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)信息中心);State Key Laboratory of Precision and Intelligent Chemistry, University of Science and Technology of China(中国科学技术大学精密与智能化学国家重点实验室);State Key Laboratory of Physical Chemistry of Solid Surface, College of Chemistry and Chemical Engineering, Xiamen University(厦门大学化学系固态表面物理化学国家重点实验室);The University of Hong Kong(香港大学);Peking Union Medical College and Chinese Academy of Medical Sciences(北京协和医学院中国医学科学院);The Hong Kong University of Science and Technology(香港科技大学);Hunan University(湖南大学);AI for Science Center, Shanghai Artificial Intelligence Laboratory(上海人工智能实验室人工智能科学中心)
提出NMRAgent智能体,结合大语言模型、光谱分析工具和化学知识图谱,通过证据推理实现高精度、可解释的分子结构解析,在新型骨架测试集上Top-1准确率提升46.5%。
2026-06-29 cs.AI cs.LG
Process, Structure, and Modularity in Reasoning with Uncertainty
Oregon State University(俄勒冈州立大学)
不确定性管理的计算机制必须支持交互式和增量式的问题制定、推理、假设检验和决策。然而,目前大多数不确定性推理系统主要集中在推理,并提供更大的问题没有支持。我们提出了一种计算方法的不确定性管理提供了直接支持的动态,增量方面的这项任务,而在同一时间允许直接表示的证据关系的结构。同时,我们表明,这种方法响应于Heckerman和Horvitz [Heck87]的模块化问题。本文强调这种方法的能力的例子。另一篇论文[D'Am89]详细介绍了所涉及的表示和算法。
2013-03-27 cs.AI
BambooKG: A Neurobiologically-inspired Frequency-Weight Knowledge Graph
针对检索增强生成的多跳关系推理短板及传统知识图谱的三元组结构信息遗漏问题,提出受赫布原则启发、带频率权重非三元组边的BambooKG,减少信息损失并提升单/多跳推理性能。
2025-10-29 cs.AI
Triplet Edge Attention for Algorithmic Reasoning
Pohang University of Science and Technology(浦项科技大学)
针对神经算法推理中的表达能力与分布外泛化难题,提出边感知的 Triplet Edge Attention(TEA)图神经网络层,在 CLRS 基准上平均提升 5%,字符串算法较 SOTA 提升 30%。
2023-12-09 cs.AI cs.LG
Fine-grained Verification via Diagnostic Reasoning Supervision for Aspect Sentiment Triplet Extraction
The Hong Kong Polytechnic University(香港理工大学);Lingnan University(岭南大学);Education University of Hong Kong(香港教育大学)
提出FiVeD框架,通过诊断推理监督进行细粒度验证,利用质量评分和错误分类等辅助任务提升ASTE三元组抽取的可靠性。
2026-05-29 cs.AI cs.CL
Communicative Message Passing for Inductive Relation Reasoning
Sun Yat-sen University(中山大学)
知识图谱的关系预测旨在预测实体之间缺失的关系。尽管归纳关系预测的重要性,大多数以前的作品仅限于一个transductive设置,不能处理以前看不见的实体。最近提出的基于子图的关系推理模型提供了替代方案,以预测从子图结构周围的候选三元组归纳的链接。然而,我们观察到,这些方法往往忽略了所提取的子图的有向性,削弱了关系信息在子图建模中的作用。因此,它们不能有效地处理不对称/反对称三元组,并且对目标三元组产生不充分的嵌入。为此,我们引入了一个\textbf{C} \textbf{o}通信\textbf{M}消息\textbf{P},用于\textbf{L}归纳推理或\textbf{E}推理的神经网络,\textbf{CoMPILE},它在局部有向子图结构上进行推理,并且对处理实体独立的语义关系具有强烈的归纳偏向。与现有的模型相比,CoMPILE通过通信内核加强了边与边之间的消息交互,并使关系信息能够充分流动。此外,我们证明了CoMPILE可以自然地处理非对称/反对称关系,而不需要通过提取有向封闭子图来爆炸性地增加模型参数的数量。大量的实验表明,与常用的基准数据集上的最先进的方法相比,具有不同的归纳设置的显着性能增益。
2021-07-26 cs.AI
Learning Representations of Bi-level Knowledge Graphs for Reasoning beyond Link Prediction
KAIST(韩国科学技术院)
提出双层知识图概念及BiVE模型,通过建模三元组间关系并利用随机游走数据增强,在三元组预测和条件链接预测等新任务上显著优于现有方法。
2023-10-23 cs.AI cs.LG
Graph Elicitation for Guiding Multi-Step Reasoning in Large Language Models
Korea University(高丽大学);Amazon AGI(亚马逊AGI);Together AI
针对大语言模型直接生成子问题易冗余无关的问题,提出GE-Reasoning方法,通过生成带变量的知识三元组构建问题图表示,结合检索生成子问题并按置信度筛选,在多跳问答基准上优于现有CoT类方法。
2024-06-22 cs.AI cs.CL cs.LG
Towards Unified Surgical Scene Understanding:Bridging Reasoning and Grounding via MLLMs
Southern University of Science and Technology(南方科技大学);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(深圳先进技术研究院,中国科学院);Northwestern University(西北大学);University of Alberta(阿尔伯塔大学);Yale University(耶鲁大学);Nanfang Hospital(南华医院);Shenzhen University of Advanced Technology(深圳大学先进技术研究院)
本文提出SurgMLLM框架,通过统一推理与视觉 grounding 实现手术场景理解,提升三元组识别和分割精度,实验表明其在三元组识别指标AP_IVT上提升显著。
2026-05-13 cs.AI cs.CV
Probabilistic Logic Neural Networks for Reasoning
Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);University of Montréal(蒙特利尔大学);HEC Montréal(蒙特利尔高等商学院)
知识图谱推理的目的是通过对观察到的事实进行推理来预测缺失的事实,它在许多应用中起着关键作用。传统的基于逻辑规则的方法和最近的知识图谱嵌入方法已经对这一问题进行了广泛的研究。基于规则的原则性逻辑方法是马尔可夫逻辑网络(MLN),它能够利用一阶逻辑的领域知识,同时处理它们的不确定性。然而,MLN的推理通常是非常困难的,由于复杂的图结构。与MLN不同的是,知识图谱嵌入方法(例如,TransE、DistMult)学习有效的实体和关系嵌入以用于推理,这是更有效和高效的。然而,他们无法利用领域知识。在本文中,我们提出了概率逻辑神经网络(pLogicNet),它结合了这两种方法的优点。pLogicNet通过使用具有一阶逻辑的马尔可夫逻辑网络来定义所有可能的三元组的联合分布,可以使用变分EM算法来有效地优化。在E-步骤中,一个知识图谱嵌入模型用于推断丢失的三元组,而在M-步骤中,逻辑规则的权重更新的基础上观察和预测三元组。在多个知识图谱上的实验证明了pLogicNet在许多竞争基线上的有效性。
2019-10-29 cs.AI cs.LG stat.ML
Do General NLP Embeddings Capture Ontological Reasoning?
TIB Leibniz Information Centre for Science and Technology(TIB莱布尼茨科学与技术信息中心);Leibniz University of Hannover(汉诺威莱布尼茨大学)
该研究提出AVA框架评估通用NLP嵌入的本体推理能力,发现现有模型在逻辑敏感三元组任务中表现差,微调后难迁移至语义网任务,凸显语言表示与本体理解的差距。
2026-09-02 cs.AI cs.CL
Multimodal Fine-grained Reasoning for Post Quality Evaluation
School of Computer Science(计算机科学学院);School of Artificial Intelligence Institute(人工智能研究所);State Key Laboratory of Information Security, Institute of Information Engineering(信息安全国家重点实验室,信息工程研究所);Key Laboratory of Education Informatization for Nationalities(民族教育信息化重点实验室)
针对帖子质量评估中多模态融合噪声和复杂语义关系建模不足的问题,提出MFTRR框架,通过局部—全局语义关联与多层级证据关系推理提升排序性能。
2025-07-21 cs.AI cs.LG
Few-shot Relational Reasoning via Connection Subgraph Pretraining
Stanford University(斯坦福大学)
Few-Shot知识图谱(KG)完成任务旨在对KG执行归纳推理:仅给定新关系$\bowtie$的几个支持三元组(例如,(chop,$\bowtie$,kitchen),(read,$\bowtie$,library),目标是预测相同的不可见关系$\bowtie$的查询三元组,例如,(sleep,$\bowtie$,?).当前的方法将问题投射在元学习框架中,其中模型需要首先在许多训练Few-Shot任务上进行联合训练,每个训练任务由其自身的关系定义,使得对目标Few-Shot任务的学习/预测可以是有效的。然而,在现实世界的幼儿园,策划许多培训任务是一个具有挑战性的特设过程。在这里,我们提出了连接子图推理器(CSR),它可以直接对目标Few-Shot任务进行预测,而不需要对人工策划的训练任务集进行预训练。CSR的关键是,我们显式地建模支持和查询三元组之间的共享连接子图,消除归纳法的原则的启发。为了适应特定的KG,我们设计了相应的自监督预训练方案,目标是自动重建采样的连接子图。然后,我们的预训练模型可以直接应用于目标Few-Shot任务,而不需要训练Few-Shot任务。在NELL、FB 15 K-237和ConceptNet等真实KG上的大量实验证明了该框架的有效性:我们表明,即使是无学习的CSR实现,在目标Few-Shot任务上也可以与现有方法竞争;通过预训练,CSR可以在更具挑战性…
2022-10-13 cs.AI cs.CL cs.LG
BayesL: a Logical Framework for the Verification of Bayesian Networks
University of Twente(特文特大学);University of Urbino(乌尔比诺大学);Radboud University(拉德堡德大学)
本文提出BayesL逻辑框架,用于形式化表达、查询和验证贝叶斯网络的行为,通过支持概率推断和模型检查查询,提升贝叶斯网络的透明度和可靠性。
2026-04-28 cs.AI cs.LO
MMKGR: Multi-hop Multi-modal Knowledge Graph Reasoning
Soochow University(苏州大学);Monash University(莫纳什大学);The University of Queensland(昆士兰大学)
多模态知识图谱(MKG)不仅包括关系三元组,还包括相关的多模态辅助数据(即,文本和图像),这增强了知识的多样性。然而,自然的不完全性极大地阻碍了MKG的应用。为了解决这个问题,现有的研究采用基于嵌入的推理模型来推断丢失的知识融合后的多模态特征。然而,这些方法的推理性能受到以下问题的限制:(1)多模态辅助特征融合效果不佳;(2)缺乏复杂的推理能力,无法进行多跳推理,从而无法推断出更多的缺失知识。为了克服这些问题,我们提出了一种新的模型,称为MMKGR(多跳多模态知识图谱推理)。具体而言,该模型包含以下两个组成部分:(1)一个统一的门-注意力网络,旨在通过充分的注意力交互和降噪来生成有效的多模态互补特征;(2)一个互补特征感知强化学习方法,提出通过执行多跳推理过程来预测丢失的元素,基于组件(1)中获得的特征。实验结果表明,MMKGR优于国家的最先进的方法在MKG推理任务。
2022-09-03 cs.AI cs.DB
From Prediction to Justification: Aligning Sentiment Reasoning with Human Rationale via Reinforcement Learning
School of Computer Science and Technology, East China Normal University(东华大学计算机科学与技术学院);Shanghai Qiji Zhifeng Co., Ltd.(上海启智丰科技有限公司);Ocean University of China(中国海洋大学)
本文提出ABSA-R1框架,通过强化学习使模型具备生成自然语言论证的能力,提升情感分类和三元组提取性能。
2026-04-15 cs.AI cs.CL