Learning the Right Expansion-ordering Heuristics for Satisfiability Testing in OWL Reasoners
Concordia University(康考迪亚大学);Nuance Communications(Nuance通讯公司)
Web本体语言(OWL)推理机用于从本体中推断新的逻辑关系。在推断新事实的同时,这些推理器可以被进一步优化,例如,通过适当地对本体的析取表达式中的析取进行排序来进行概念的可满足性测试。不同的扩展排序算法已被开发用于此目的。这些推理机中的内置启发式算法确定搜索树中分支的顺序,而每个启发式选择对各种本体产生不同的影响,这取决于本体的句法结构以及可能的其他特征。一个基于学习的方法,考虑到功能的目的是选择一个适当的扩展排序启发式为每个本体。合理的选择可以加速推理机的推理过程。在本文中,我们的方法的效果进行了研究,一个著名的推理机是JFact。我们的实验表明,在应用学习方法选择正确的扩展排序算法后,可满足性测试的平均加速比为一到两个数量级。
2019-04-20 cs.AI
Deep Learning for Ontology Reasoning
University of Oxford(牛津大学)
在这项工作中,我们提出了一种新的方法,本体推理是基于深度学习,而不是基于逻辑的形式化推理。为此,我们引入了一个新的模型,建立在深度递归神经网络的统计关系学习,并给出实验证据,它可以很容易地竞争,甚至优于,现有的基于逻辑的推理机的本体推理的任务。更确切地说,我们比较了我们实现的系统与目前最好的基于逻辑的本体推理机之一,RDFox,在一些大型标准基准数据集,发现我们的系统获得了高推理质量,同时高达两个数量级的速度。
2017-05-29 cs.AI cs.LG
Optimizing Heuristics for Tableau-based OWL Reasoners
Concordia University(康考迪亚大学);Nuance Communications(Nuance通讯公司)
优化技术在改进Web本体语言(OWL)的描述逻辑推理机方面发挥着重要作用。这些技术对于加速这些推理机是必不可少的。许多优化技术是基于启发式选择。最优启发式选择使这些技术更加有效。FaCT++ OWL reasoner及其Java版本JFact实现了一种称为ToDo list的优化技术,该技术可替代基于表的推理机中传统的自顶向下方法。待办事项列表机制允许人们通过给每个规则一个优先级来安排应用不同规则的顺序。与自顶向下的方法相比,ToDo列表技术对扩展规则的应用有更好的控制。学习ToDo lis中应用规则的适当启发式顺序将对推理速度产生很大影响。我们使用二进制SVM技术来构建我们的学习模型。该模型可以帮助选择特定于本体的顺序集,以加快OWL推理。平均而言,我们的学习方法测试与40个选定的本体实现了两个数量级的速度比最差的规则排序的选择。
2018-10-24 cs.AI
Expressive Completeness of Existential Rule Languages for Ontology-based Query Answering
Huazhong University of Technology & Science(华中科技大学);Western Sydney University(西悉尼大学);University of Alberta(阿尔伯塔大学)
潜在规则,也被称为数据库中的数据依赖,最近被重新发现为基于本体的查询分类的一个有前途的语言家族。在本文中,我们证明了析取嵌入依赖准确捕获类递归可重命名的本体基于本体的连接查询(OCQA)。我们的表达完整性结果不依赖于数据库上任何内置的线性顺序。为了建立表达的完整性,我们引入了一个新的语义定义OCQA本体。我们还表明,无论是类的析取元组生成的依赖关系,也不是类的嵌入式依赖关系是表达完整的递归可重复OCQA本体。
2016-04-27 cs.AI cs.DB cs.LO
Sandra -- A Neuro-Symbolic Reasoner Based On Descriptions And Situations
University of Bologna(博洛尼亚大学)
本文提出神经符号推理器Sandra,结合向量表示与演绎推理,基于DnS本体设计模式,在受本体约束的向量空间上进行推理,提供可解释性和可控性,并在两个任务上优于所有基线。
2024-03-25 cs.AI
Reasoning in the OWL 2 Full Ontology Language using First-Order Automated Theorem Proving
FZI Research Center for Information Technology(FZI信息技术研究中心);University of Miami(迈阿密大学)
OWL 2已经被万维网联盟(W3C)标准化为语义网的本体语言家族。这些语言中最具表现力的是OWL 2 Full,但迄今为止还没有为这种语言实现reasoner。一致性和蕴涵检查对于OWL 2 Full来说是不可判定的。我们已经将OWL 2 Full语义的一个大片段翻译成一阶逻辑,并使用自动定理证明系统来基于该理论进行推理。结果是有希望的,并表明,这种方法可以应用于实践中有效的OWL推理,超出了目前的语义Web推理的能力。这是在CADE 2011,LNAI 6803,pp上发表的同名论文的扩展版本。446-460.扩展版本提供了附录,其中包含在报告的评价中使用的其他资源。
2011-07-31 cs.AI
Computing CQ lower-bounds over OWL 2 through approximation to RSA
University of Oxford(牛津大学)
知识库上的连接查询应答是一个重要的推理任务。然而,使用诸如OWL的表达性本体语言,查询应答在计算上非常昂贵。PAGODA系统通过使用一个易于处理的推理器来计算下限和上限近似值来解决这个问题,只有当这些界限不一致时才返回到一个完全成熟的OWL推理器。这种方法的有效性关键取决于近似的质量,在本文中,我们探讨了一种通过RSA计算更接近近似的技术,RSA是一种本体语言,它包含了所有的OWL 2配置文件,同时仍然保持易处理性。我们提出了一种新的近似OWL 2本体到RSA,和一个算法来计算一个更接近(比PAGODA)下界近似使用RSA组合的方法。我们已经实现了这些算法在一个原型的CQ应答系统,我们提出了一个初步的评估,我们的系统,表现出显着的性能改进w.r.t.塔
2021-07-01 cs.AI cs.LO
DeFind: A Protege Plugin for Computing Concept Definitions in EL Ontologies
Institute of Mathematics, Novosibirsk State University(新西伯利亚国立大学数学研究所);Institute of Informatics Systems, Novosibirsk State University(新西伯利亚国立大学信息系统研究所)
我们介绍了一个扩展的Protege本体编辑器,它允许发现概念定义,这是不明确存在的公理,但逻辑上隐含的本体。该插件支持在描述逻辑EL中制定的本体,该描述逻辑EL支持Web本体语言的OWL 2 EL配置文件,尽管其有限的表达能力捕获了Web上发布的大多数生物医学本体。所开发的工具允许验证是否可以使用用户指定的感兴趣的词汇定义一个概念。特别是,它允许决定是否可以省略一些词汇项目在制定一个复杂的概念。相应的定义被呈现给用户,并被提供有由本体推理器生成的解释。
2018-10-10 cs.AI cs.LO
VEL: A Formally Verified Reasoner for OWL2 EL Profile
Kansas State University(堪萨斯州立大学)
针对OWL推理器可靠性不足的问题,研究者开发了经形式化验证的EL++推理器VEL,基于Coq证明助手实现算法提取并修正了原算法的完备性缺陷,为高风险场景下的推理正确性提供了保障。
2024-12-11 cs.AI cs.LO cs.PL
AceWiki: Collaborative Ontology Management in Controlled Natural Language
University of Zurich(苏黎世大学)
AceWiki是一个原型,它展示了使用受控自然语言的语义维基-在我们的例子中是Attempto Controlled English(ACE)-可以使本体管理对每个人都很容易。ACE中的句子可以自动转换为一阶逻辑、OWL或SWRL。AceWiki集成了OWL推理器Pellet,并确保本体总是一致的。以前的结果表明,没有逻辑背景的人能够在没有事先指导或培训的情况下将形式知识添加到AceWiki。
2008-07-29 cs.AI cs.HC
Why Not? Explaining Missing Entailments with Evee (Technical Report)
TU Dresden(德累斯顿工业大学);VU Amsterdam(阿姆斯特丹自由大学)
针对本体中预期结论未被推出的问题,论文介绍了 Protégé 插件 $\rm E{\scriptsize VEE}$ 的新版本,利用溯因与反例技术解释缺失的蕴涵。
2023-08-15 cs.AI cs.LO
The African Wildlife Ontology tutorial ontologies: requirements, design, and content
University of Cape Town(开普敦大学)
背景大多数教程本体侧重于说明本体开发的一个方面,特别是语言功能和自动推理机,但忽略了本体开发的因素,如紧急建模指南和本体论原则。然而,初学者从他们进行的练习中复制例子。不提供好的例子整体上导致传播次优本体开发,这可能会对一个真正的领域本体的质量产生负面影响。结果我们确定了22个要求,一个好的教程本体应该满足有关学科领域,逻辑和推理,工程方面。我们开发了一套关于非洲野生动物的本体论作为教程本体论。大部分的要求已经满足了一套非洲野生动物本体教程本体,这是本文介绍的。非洲野生动物本体是成熟的,自2010年以来每年都在本体工程课程或教程中使用,并被纳入最近的本体工程教科书,其中有相关的例子和练习。结论非洲野生动物本体论提供了广泛的选择有关的例子和练习的本体工程远远超出了只说明语言功能和自动推理。它有助于演示有关本体质量的任务,例如与基础本体的对齐和满足能力问题、版本控制和多语言本体。
2019-05-23 cs.AI
A Novel Approach to Multimedia Ontology Engineering for Automated Reasoning over Audiovisual LOD Datasets
Flinders University(弗林德斯大学)
多媒体推理,这是适合于,除其他外,多媒体内容分析和高层次的视频场景解释,依赖于所表示的知识域的正式和全面的概念化。然而,大多数多媒体本体论在角色定义方面并不详尽,并且不包含复杂的角色包含和角色相互依赖性。事实上,大多数多媒体本体根本没有角色盒,并且仅实现可用逻辑构造器的基本子集。因此,它们在多媒体推理中的应用是有限的。为了解决上述问题,VidOnt,第一个具有SROIQ(D)表达性和DL安全规则的多媒体本体已经被引入下一代多媒体推理。与通常的做法相反,正式的基础已经设置在最具表现力的描述逻辑之一,并与行业领先的推理机,即HermiT和FaCT++验证本体。本文还介绍了开发多媒体本体的最佳实践,基于我的本体工程方法。
2016-08-26 cs.AI
Direct computation of diagnoses for ontology debugging
Alpen-Adria Universität(阿尔卑斯-亚得里亚大学)
现代本体调试方法允许在开发本体时有效地识别和定位由用户定义的错误公理。在这种情况下,本体开发过程的特点是相当频繁和定期调用的推理机,导致早期的建模错误的用户意识。在这种情况下,本体通常只包括少量的冲突集,即保留故障的公理集。这个属性允许有效地使用标准的基于模型的诊断技术的基础上的应用程序的命中集算法的一些给定的冲突集。然而,在诸如本体对齐的许多用例中,本体可能包括比通常的本体开发设置更多的冲突集,从而使得冲突集的预先计算以及因此本体诊断不可行。在本文中,我们提出了一种调试方法的基础上直接计算的诊断,省略了冲突集的计算。该算法嵌入在本体调试器中,能够识别包含大量故障且标准诊断方法应用失败的本体的诊断。评估结果表明,该方法是可行的,能够在足够的时间内识别故障。
2012-09-05 cs.AI
Test-Driven Development of ontologies (extended version)
University of Cape Town(开普敦大学);Poznan University of Technology(波兹南理工大学)
新兴的本体创作方法,以增加知识的本体集中在改善验证瓶颈。新增加的公理的验证仍然是一个尝试,看看推理机说什么,因为缺少一个系统的测试平台本体创作。我们试图通过引入测试驱动开发的方法来解决这个问题。我们指定了36个通用测试,作为TBox查询和TBox公理测试通过个人,并在一个'开盒'的方式,其中涵盖了OWL 2 DL语言的功能,其内部工作结构。这是作为Protege插件实现的,因此可以将TDD测试作为黑盒测试来执行。我们评估了这两种测试方法的性能。TBox查询更快,本体越大,这种效果就越明显。我们提供了一个通用序列的TDD过程中本体工程作为TDD方法的基础。
2015-12-19 cs.AI
On the Eve of True Explainability for OWL Ontologies: Description Logic Proofs with Evee and Evonne (Extended Version)
Technische Universität Dresden(德累斯顿工业大学)
当使用描述逻辑本体时,理解由描述逻辑推理器导出的蕴涵并不总是简单的。到目前为止,标准本体编辑器Protégé提供了两种服务来帮助:OWL 2 DL本体的(黑盒)证明,以及轻量级OWL EL本体的(玻璃盒)证明,后者利用了推理机ELK的证明设施。由于理由往往不足以解释推理,因此只有很少的工具支持解释推理更有表现力的DL。在本文中,我们介绍了EVEE-LIBS,一个Java库计算证明DL ALCH,和EVEE-PROTEGE,收集Protégé插件显示这些证明在Protégé。我们还简要介绍了最新版本的EVONNE,这是一个更高级的独立应用程序,用于显示和交互使用EVEE-LIBS计算的证明。
2022-06-15 cs.AI cs.LO
FALCON: Scalable Reasoning over Inconsistent ALC Ontologies
Delft University of Technology(代尔夫特理工大学);University of Toronto(多伦多大学);University of Notre Dame(圣母大学)
提出FALCON模糊本体神经推理器,通过近似模型生成与采样,实现大规模不一致ALC本体的可扩展近似推理,并在生物医学知识库补全中验证其有效性。
2024-05-27 cs.AI cs.LO
Large-Scale Reasoning with OWL
University of Koblenz-Landau(科布伦茨-兰道大学)
随着语义Web的规模和重要性的增长,越来越多的知识以机器可读的格式存储,如Web本体语言OWL。本文概述了常见的方法,有效的推理大规模数据组成的数十亿($10^9$)的三元组。因此,OWL及其子语言,以及前向和后向链接技术。详细讨论了WebPIE推理器,作为使用MapReduce进行物化的前向链接的示例。此外,QueryPIE推理机是一个反向链接/混合的方法,使用查询重写。此外,还对OWLIM和TrOWL等推理器进行了综述。
2016-02-14 cs.AI cs.DB
Repairing $\mathcal{EL}$ Ontologies Using Weakening and Completing
Linköping University(林雪平大学);University of Gävle(耶夫勒大学)
本文针对 $\mathcal{EL}$ 本体修复中传统移除方法易丢失正确推论的问题,提出结合公理弱化与补全的交互式修复方法,并给出算法、组合策略及实验验证。
2022-07-31 cs.AI cs.LO
Neuro-Symbolic RDF and Description Logic Reasoners: The State-Of-The-Art and Challenges
IIIT-Delhi(德里印度理工学院信息技术学院);Adobe Inc.(奥多比公司)
本文综述了结合神经网络学习能力与符号推理能力的神经符号方法,以解决RDF、EL、ALC及OWL 2 RL本体推理中因规模大、表达力强、含噪声和不一致所导致的可扩展性与效率问题。
2023-08-09 cs.AI
Safe Reasoning Over Ontologies
IBM TJ Watson Research center(IBM TJ Watson 研究中心)
随着本体的激增和自动推理机变得越来越强大,保护敏感信息的问题变得更加严重。特别地,由于事实可以从其他事实推断,因此包括在本体中的信息(虽然其本身不被认为是敏感的)可能能够被用来推断其他敏感信息的可能性变得越来越大。我们首先考虑的问题,测试本体的安全性定义为它不能被用来推导出任何敏感的事实,使用一个给定的集合的推理规则。然后,我们考虑的问题,优化本体的基础上的标准,使尽可能多的有用信息,而不透露任何敏感的事实。
2009-04-01 cs.AI cs.DS
Existential Notation3 Logic
TU Dresden(德累斯顿工业大学)
本研究探索N3逻辑与存在性规则的关联,提出可保持等价性的N3子集到存在性规则的映射,实验验证不同推理器的适用场景,还补充了定理证明与N3列表相关内容以支撑N3标准化。
2025-03-24 cs.AI cs.LO
Explainable Moral Values: a neuro-symbolic approach to value classification
University of Pisa(比萨大学);National Research Council(国家研究委员会);University of Bologna(博洛尼亚大学);Peoples' Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学(RUDN大学));Joint Institute for Nuclear Research(联合核子研究所);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Skövde(舍夫德大学)
本研究提出结合本体推理与机器学习的神经符号方法,利用sandra推理器和开源大语言模型实现可解释的道德价值观分类,结合分布式语义后显著优于所有基线模型。
2024-10-16 cs.AI cs.LG
SWRL2SPIN: A tool for transforming SWRL rule bases in OWL ontologies to object-oriented SPIN rules
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
语义Web规则语言(SWRL)将OWL(Web本体语言)本体与规则置标语言(RuleML)家族的Horn逻辑规则相结合。它得到了本体编辑器、规则引擎和本体推理器的支持,已经成为在本体之上开发基于规则的应用程序的一个非常流行的选择。然而,SWRL可能不会成为WWW联盟的标准,禁止工业接受。另一方面,SPIN(SPARQL推理表示法)已经成为事实上的行业标准,以表示SPARQL规则和语义Web模型的约束,建立在SPARQL(SPARQL协议和RDF查询语言)的广泛接受。在本文中,我们认为,现有的SWRL规则为基础的本体应用程序的生命可以延长转换到SPIN。为此,我们已经开发了在Prolog的SWRL2SPIN工具,将SWRL规则转换为SPIN规则,考虑到面向对象的SPIN,即链接规则到适当的本体类和优化它们,通过分析规则的条件。
2022-12-08 cs.AI
More Effective Ontology Authoring with Test-Driven Development
University of Cape Town(开普敦大学);Poznan University of Technology(波兹南理工大学)
本体创作是一个复杂的过程,通常自动推理机被调用来验证新引入的更改,这相当于一个耗时的最后测试方法。测试驱动开发(TDD)是一种最新的{ \em test-first}方法,旨在减少创作时间并提高创作效率。目前的TDD测试在覆盖OWL特性和可能的测试结果、严格的基础以及确定其有效性的评估方面存在不足。我们的目标是解决这些问题,在一个实例的TDD本体创作。我们首先提出了一个简洁的,基于逻辑的TDD测试模型,并提出了新的TDD算法,以涵盖任何OWL 2类表达式的TBox和主要ABox断言,并证明其正确性。该算法直接使用OWL API的方法,因此测试执行不需要重新分类,从而减少了本体编写时间。算法在Protégé插件TDDonto 2中实现。TDDonto 2的编辑效率和用户评价。编辑效率的研究表明,它是一个典型的本体编写界面,特别是对于中型和大型本体更快。用户评估表明,与标准Protégé界面相比,建模人员使用TDDonto 2的错误明显减少,并在更短的时间内更好地完成任务。因此,结果表明,测试驱动开发是一个有前途的方法在本体开发方法。
2018-12-14 cs.AI
CAPD: A Context-Aware, Policy-Driven Framework for Secure and Resilient IoBT Operations
University of Maryland, Baltimore County(马里兰大学巴尔的摩郡分校);United States Army Research Laboratory(美国陆军研究实验室)
战场物联网(IoBT)将提高步兵部队的作战效能。然而,这需要传感器、无人机、作战装备和无人驾驶车辆等自主资产进行协作、安全地共享信息,并在有争议的多域行动中抵御对手的攻击。CAPD通过提供一个上下文感知的、策略驱动的框架来解决这个问题,该框架支持自治实体之间的数据和知识交换。我们提出了一个IoBT本体,便于控制信息共享,使系统之间的语义互操作性。它的主要贡献包括提供一个共享的语义模式的知识图谱,集成背景知识,有效的机制,加强数据一致性和绘制推理,并支持基于属性的访问控制。IoBT中的传感器提供基于本体创建填充的知识图谱的数据。本文介绍了使用CAPD检测和减轻对手的行动。CAPD使用对感测数据和SPARQL查询的推理来实现情境感知。例如,对手可能会导致传感器故障或劫持,并破坏战术网络以降低视频监控。在这种情况下,CAPD使用基于本体的推理器来查看替代方法如何仍然支持任务。根据带宽可用性,推理器通过主动转码来发起降低的帧速率灰度视频的创建,或者仅传输静止图像。这种对任务感测环境和攻击上下文进行推理的能力允许自主IoBT系统在有争议的条件下表现出弹性。
2022-08-02 cs.AI cs.CR cs.MA
How to Approximate Ontology-Mediated Queries
University of Bremen(不来梅大学);University of Liverpool(利物浦大学)
我们介绍和研究了几个概念的近似本体介导的查询的描述逻辑ALC和ALCI的基础上。我们的近似有两种:我们可以(1)用易处理的本体语言(如ELI或某些TGD)替换本体,(2)用易处理的类(如树宽由常数限制的数据库类)替换数据库。我们确定的计算复杂性和相对完整的结果近似。(几乎)所有这些都将数据复杂度从coNP完全降低到PTime,在某些情况下甚至降低到固定参数易处理和线性时间。虽然类型(1)的近似也降低了组合复杂度,但对于类型(2)的近似,情况往往不是这样。在某些情况下,组合的复杂性甚至会增加。
2022-06-30 cs.AI cs.DB
How to Agree to Disagree: Managing Ontological Perspectives using Standpoint Logic
TU Dresden(德累斯顿工业大学)
在处理知识问题时,考虑到个人的、可能相互冲突的观点的重要性已得到广泛认可。许多现有的本体管理方法完全合并的知识的角度来看,这可能需要削弱,以保持一致性,其他代表不同的意见,在一个完全分离的方式。作为一种替代方案,我们提出了立场逻辑,一个简单的,但多功能的多模态逻辑“附加”现有的KR语言的综合表示领域知识相对于不同的,可能相互冲突的立场,这可以分层组织,组合,并把彼此的关系。从一阶立场逻辑(FOSL)的通用框架开始,我们随后将注意力集中在重复公式的片段上,为此我们提供了一个多时翻译成无立场版本。这一结果产生的可判定性和有利的复杂性的各种高度表达的可判定片段的一阶逻辑。使用一些精心设计的编码技巧,我们然后建立一个类似的翻译非常富有表现力的描述逻辑SROIQb_s的OWL 2 DL本体语言。凭借这一结果,现有的高度优化的OWL推理机可用于为通过立场建模扩展的本体语言提供实用的推理支持。
2022-08-01 cs.AI
To Neuro-Symbolic Classification and Beyond by Compiling Description Logic Ontologies to Probabilistic Circuits
University of Pisa(比萨大学);University of Bologna(博洛尼亚大学);University of Edinburgh(爱丁堡大学)
通过将描述逻辑本体编译为概率电路,实现神经符号分类与知识表示的深度融合,提升演绎推理效率和预测一致性。
2026-01-21 cs.AI
OntView: What you See is What you Meant
University of Zaragoza(萨拉戈塔大学);Aragon Institute of Engineering Research (I3A)(阿拉贡工程研究 institute (I3A));NTT Data
本文提出本体查看器 OntView,通过描述逻辑推理和“所见即所意”范式实现本体概念及一般概念包含的可视化,并提供本体摘要、TBox 聚焦和动态分支显示等简化视图机制,以开源形式发布。
2025-07-18 cs.AI
A Phenomenological Approach to Analyzing User Queries in IT Systems Using Heidegger's Fundamental Ontology
Seminars "Philosophy + IT"(“哲学+信息技术”研讨会)
本文提出一种基于海德格尔基本本体论的IT查询分析系统,通过区分存在者与存在、使用两种语言及现象学还原,揭示深层本体论模式,解决复杂交互中的逻辑陷阱,并迈向通用查询分析工具。
2025-04-17 cs.AI cs.CL cs.HC
Consistency Verification in Ontology-Based Process Models with Parameter Interdependencies
Chair of Automation Ruhr University Bochum, Bochum, Germany(自动化教研室鲁尔大学波恩,波恩,德国)
本文针对本体过程模型中的参数相互依赖,提出了一套包含SPARQL过滤、单位一致性检查和数据完整性检查的验证机制,并通过树脂传递模塑用例展示其应用。
2025-06-19 cs.AI cs.DB
Containment in Monadic Disjunctive Datalog, MMSNP, and Expressive Description Logics
CNRS CRIStAL UMR 8189(法国国家科学研究中心晶体实验室(UMR 8189));Université Lille 1(里尔第一大学);INRIA Lille(里尔法国国家信息与自动化研究所);University of Bremen(不来梅大学)
我们研究查询包含在三个密切相关的形式主义:一元析取数据集(MDDLog),MMSNP(一个逻辑概括的约束满足问题),和本体介导的查询(OMQs)的基础上表达描述逻辑和工会的合取查询。由于Feder和Vardi的结果,MMSNP中的遏制被认为是可判定的,但其确切的复杂性仍然是开放的。我们证明了2NEXPTIME-完全性,并将这一结果推广到一元析取数据库和OMQs。
2020-10-22 cs.AI cs.LO
Towards Robust Training Datasets for Machine Learning with Ontologies: A Case Study for Emergency Road Vehicle Detection
Embry-Riddle Aeronautical University(安柏瑞德航空大学)
针对安全关键领域机器学习模型黑箱特性导致信任度不足的问题,提出利用领域本体与图像质量特征本体验证训练数据集完备性与鲁棒性的方法,并以应急道路车辆检测为例开展概念验证实验,以提升模型可信度。
2024-06-21 cs.AI
Leveraging LLMs for Collaborative Ontology Engineering in Parkinson Disease Monitoring and Alerting
Intelligent Systems Laboratory, Department of Cultural Technology and Communication, University of the Aegean(爱琴海大学智能系统实验室);Artificial Intelligence Laboratory, Department of Digital Systems, University of Piraeus(比雷埃克斯大学人工智能实验室)
本文研究了利用大语言模型进行帕金森病监测与预警本体工程,通过人机协作提升本体的全面性和准确性。
2025-12-16 cs.AI
Supporting Cybersecurity Risk Management for Medical Devices via the SECUMAN Ontology and Shapes
Faculty of Computer Science, TU Dresden(德累斯顿工业大学计算机学院);Else Kröner Fresenius Center for Digital Health(Else Kröner Fresenius数字健康中心);secunet Security Networks AG(secunet安全网络股份公司)
研究针对医疗设备网络安全风险管理文档维护难的问题,提出SECUMAN本体与形状,结合OWL和SHACL实现文档初验、可追溯性及集成,对齐相关标准与本体并扩展网络安全相关概念。
2026-08-04 cs.AI cs.CR
BigCQ: A large-scale synthetic dataset of competency question patterns formalized into SPARQL-OWL query templates
Poznan University of Technology(波兹南理工大学)
能力问题(CQ)在许多本体工程方法中用于收集需求并跟踪正在构建的本体的完整性和正确性。虽然它们经常被本体工程方法学建议,但公开可用的CQ数据集及其在本体查询语言中的形式化非常稀缺。由于正在进行利用CQ实现流程自动化的初步努力,因此提供大型且多样化的数据集来推动这些解决方案非常重要。在本文中,我们介绍了最大的CQ模板数据集BigCQ,并将其形式化为SPARQL-OWL查询模板。BigCQ是从常用公理形状的数据集自动创建的。如果填充有来自给定本体的资源标签和IRI,则这些CQ模板和查询模板对可以被具体化为实际CQ和SPARQL-OWL查询。我们详细描述了数据集,描述了创建数据集的过程,并分析了数据集如何覆盖真实世界的示例。我们还发布了数据集以及将公理形状转换为CQ模式和SPARQL-OWL模板对的脚本,以使工程师能够根据他们的特定需求调整过程。
2021-05-20 cs.AI
Polynomial Rewritings from Expressive Description Logics with Closed Predicates to Variants of Datalog
TU Wien(维也纳技术大学)
在许多情况下,完整和不完整的信息并存。出于这个原因,知识表示和数据库社区长期以来一直对在推理逻辑理论时同时支持封闭世界和开放世界的观点感兴趣。在这里,我们考虑使用逻辑理论查询可能不完整的数据的设置,形式化的本体介导的查询(OMQ),对查询与理论,有时称为本体,表达背景知识的评价。这可以通过从理论中指定一组封闭谓词来进一步丰富,这些谓词将在封闭世界假设下解释,而其余的则用开放世界观点来解释。通过这种方式,我们可以利用数据的部分完整性来检索更精确的查询答案。本文的中心目标是理解OMQ语言的相对表达能力,其中本体是用表达性描述逻辑(DL)ALCHOI编写的,并且包括一组封闭谓词。我们考虑一类有限的合取查询。我们的主要结果是表明,这种非单调查询语言中的每一个查询都可以在多项式时间内被翻译成稳定模型语义下的带否定的数据库。为了克服挑战,数据库没有直接的手段来表达存在的量化ALCHOI,我们定义了一个两个玩家的游戏,其特征在于本体的满意度,并设计了一个数据库查询,可以决定存在的获胜策略的游戏。如果没有封闭的谓词,也就是在查询一个普通的ALCHOI知识库的情况下,我们的翻译产生一个多项式大小的正析取数据库程序。据我们所知,不像以前的翻译相关片段表达(非霍恩)DL,这些是第一个多项式时间翻译。
2019-12-16 cs.AI cs.LO
An Ontology for Machine Learning Interatomic Potentials
研究机器学习原子间势元数据分散问题,提出MLIPs本体,涵盖方法、训练数据和基准三个模块,连接相关现有本体,通过示例展示和评估,增强数据完整性与一致性。
2026-07-28 cs.AI cs.DB cs.DL
BEACON-SP: Ontology-Grounded GraphRAG Framework for Clinical Suicide Risk Assessment
Nexcepta;United States Military Academy(美国军事学院)
BEACON-SP提出本体锚定的图检索增强生成框架,整合患者知识图谱与自杀预防本体,支持多跳推理,在临床问答中优于向量RAG基线,76.4%案例被优先选择。
2026-10-08 cs.AI cs.CL cs.IR
OMD-GraphRAG: Enhancing GraphRAG with Ontology-Guided Extraction, Multi-Dimensional Clustering and Dual-Channel Fusion
Data Science & Artificial Intelligence Research Institute(数据科学与人工智能研究院)
提出OMD-GraphRAG框架,通过本体引导知识提取、多维社区聚类和双通道图检索融合,提升GraphRAG在复杂推理和多跳查询中的性能。
2026-05-26 cs.AI cs.IR
Semantic-based Anomalous Pattern Discovery in Moving Object Trajectories
European Commission, Joint Research Center (JRC)(欧盟委员会联合研究中心)
在这项工作中,我们研究了一种新的语义模式发现的轨迹,依靠本体,增强对象的运动信息与事件语义的方法。该方法可以应用到检测的运动模式和行为时发生的事件沿轨迹的语义是,显式或隐式,可用。特别是,我们测试了它对一个严格的情况下,在海上监视,即,发现可疑的集装箱运输。我们已经开发的方法需要通过一个领域本体的应用领域的形式化,扩展本文所述的移动对象本体(MOO)。然后,必须将运动模式形式化,作为描述逻辑(DL)公理或查询,以便检索遵循模式的轨迹。在我们的实验评估中,我们考虑了1800万个集装箱事件的真实世界数据集,这些事件描述了在港口进行的完成航运的行为(例如,装船、出口业务)。利用事件,我们已经重建了近30万个集装箱的轨迹,其中涉及3年内行驶的5万个集装箱。我们已经将异常行程模式形式化为DL公理,测试不同的本体API和DL推理机来检索可疑运输。实验结果表明,该方法是可行和有效的.特别是,Pellet和SPARQL-DL的联合使用使得能够在合理的时间内使用大尺寸数据集检测遵循给定模式的轨迹。
2013-05-08 cs.AI cs.IR
When is Ontology-Mediated Querying Efficient?
DCC, U of Chile & IMFD Chile(智利大学计算机系与智利千年数据基金会);University of Bremen(不来梅大学);University of Edinburgh(爱丁堡大学)
在本体介导的查询中,描述逻辑(DL)本体被用来丰富不完整的数据与领域知识,从而导致更完整的答案查询。然而,本体中介查询(OMQ)的评价在关系数据库是计算困难的。这就提出了一个问题,即OMQ计算在组合复杂性或固定参数方面是否易于处理。我们研究这个问题的本体介导的查询语言的基础上,几个重要的和广泛使用的DL的范围,使用工会的合取查询作为实际的查询。对于DL ELHI扩展与底部的概念,我们提供了一个表征的OMQ类是固定参数听话。对于它的片段EL扩展域和范围的限制和底部的概念(限制使用的逆角色),我们提供了一个表征的OMQs是听话的组合复杂性的类。这两个结果都等价于有界树宽度的OMQ,并且基于参数化复杂性理论的合理假设。它们在精神上类似于Grohe对关系数据库上的合取查询的易处理类的开创性表征。我们进一步研究Meta问题的复杂性,决定一个给定的OMQ是否相当于一个有界树宽度的OMQ,提供了几个完整性的结果,范围从NP到2 ExpTime,取决于所使用的DL。我们还考虑了DL-Lite家族的DL,包括承认功能角色的成员。
2020-07-29 cs.AI cs.DB
Moose: Latent concept learning with reasoning-shortcut awareness in $\mathcal{EL}^{++}$
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
Moose是在$\boldsymbol{\textit{EL}^{++}}$中编译本体为SDD的方法,可实现部分监督下的潜在概念学习,在相关基准上优于多种基线,还完成了OWL EL设置下的首次推理捷径分析。
2026-08-14 cs.AI
A Survey on Semantic Modeling for Building Energy Management
LASIGE, DI, Faculdade de Ciências, Universidade de Lisboa, Portugal(里斯本大学科学学院激光工程与信息研究所)
综述建筑运行阶段语义建模,分析60个模型和20多个用例,提出本体证据完备性指标,发现物理结构覆盖好而动态概念覆盖不足,指出提升互操作性和泛化能力的方向。
2026-09-07 cs.AI
Ontology-Grounded Project Memory for Coding Agents
Trivyn(特里文公司)
针对编码智能体追踪代码变更原因的难题,提出MOOSEDev系统,该系统通过知识图谱存储项目信息,实验显示其在关键查询任务上显著优于基线工具,且相关性召回率与令牌成本相当。
2026-08-17 cs.AI cs.SE
Ontology-Grounded, Reasoner-Verified Benchmarks for Evaluating LLM Reasoning in Scientific AI
Siemens AG(西门子股份公司);Technical University of Munich(慕尼黑工业大学)
提出一种从OWL 2本体自动生成多项选择题基准的流水线,通过推理器验证干扰项错误性,在三个本体上生成大量题目,评估六个LLM准确率41.1%-76.8%,为科学AI逻辑推理提供可靠诊断基准。
2026-10-02 cs.AI cs.LG
ODKE+: Ontology-Guided Open-Domain Knowledge Extraction with LLMs
Apple Inc(苹果公司)
本研究提出生产级开放域知识抽取系统ODKE+,通过本体引导的LLM抽取与多模块验证流水线,实现高精度、大规模的知识图谱更新,显著提升覆盖度并降低更新滞后。
2025-09-04 cs.AI cs.CL
Dissecting Neuro-Symbolic Quality Assurance for Synthetic Oncology Data Generation
University of North Texas(北得克萨斯大学)
本研究通过三项对照研究剖析神经符号质量保障机制,明确符号门控、本体接地等组件的作用,发现其可提升合成肿瘤学数据临床有效性,且检索增强效果依赖模型。
2026-08-25 cs.AI
Acyclicity Notions for Existential Rules and Their Application to Query Answering in Ontologies
University of Oxford(牛津大学)
在知识表示和数据库中,基于存在规则扩展的事实集的合取查询是一个突出的问题。这个问题可以使用chase算法来解决,该算法用新的事实扩展给定的事实集以满足规则。如果追踪终止,则CQ可以直接在结果事实集中进行评估。然而,追逐并不一定会终止,并且检查追逐是否在给定的一组规则和事实上终止是不可判定的。许多非循环概念被提出作为追逐终止的充分条件。在本文中,我们提出了两个新的无环性概念称为模型忠实无环性(MFA)和模型概括无环性(MSA)。此外,我们调查的景观已知的非周期性概念,并建立一个完整的分类所有的概念,我们知道。最后,我们表明,MFA和MSA概括了这些概念。潜在规则与OWL 2本体语言的Horn片段密切相关;此外,几个著名的OWL 2推理机通过使用追逐来实现所有相关事实的CQ回答。为了避免终止问题,这些系统中的许多只处理OWL 2的OWL 2 RL配置文件;此外,一些系统超越了OWL 2 RL,但没有任何终止保证。在本文中,我们还探讨了各种非周期性的概念是否可以提供一个原则和实际的解决方案,这些问题。在理论方面,我们表明,查询回答非循环本体是较低的复杂性比一般的本体。在实践方面,我们表明,许多常用的OWL 2本体是MSA,并且通过物化获得的事实的数量并不太大。因此,我们的研究结果表明,基于物化的OWL 2推理机的原则性发展实际上是可行的。
2014-02-04 cs.AI cs.DB
AGENT-O: A Semantic Agent Card Framework for Interoperable and Governed Healthcare AI Agents
Mayo Clinic(梅奥诊所)
研究人员提出AGENT-O模块化本体框架,定义医疗AI智能体的语义智能体卡,评估279篇论文报告完整性,揭示评估规范差距,为结构化报告提供工具但不评估智能体质量与部署就绪性。
2026-08-31 cs.AI
OntoKG-EQ: Evidence-boundary auditing for analytical knowledge graphs
City University of Science and Information Technology (CUSIT)(城市科学与信息技术大学(CUSIT));National University of Computer and Emerging Sciences (FAST-NUCES)(国立计算机与新兴科学大学(FAST-NUCES));University of Engineering and Technology (UET)(工程技术大学(UET))
OntoKG-EQ构建基于溯源和能力问题的知识图谱,使新兴市场分析师的查询可复现、可审计,并验证其优于传统方法,提升信任与完整性。
2026-11-03 cs.AI cs.DB cs.ET
Tree-like Queries in OWL 2 QL: Succinctness and Complexity Results
Laboratoire de Recherche en Informatique, CNRS & Université Paris-Sud(法国国家科学研究中心与巴黎南大学计算机研究实验室);Institute for Information Transmission Problems & MIPT(信息传输问题研究所与莫斯科物理技术学院);Steklov Mathematical Institute & National Research University Higher School of Economics(斯捷克洛夫数学研究所与高等经济大学)
本文研究了在OWL 2 QL本体存在的情况下,查询拓扑对回答合取查询的难度的影响。我们的第一个贡献是澄清的最坏情况下的大小的积极存在(PE),非递归数据(NDL),和一阶(FO)重写的各种类树的合取查询,范围从线性查询有界树宽查询。也许我们最令人惊讶的结果是PE重写大小的超多项式下限,它已经适用于深度为2的线性查询和本体。更积极的是,我们表明,多项式大小的NDL重写总是存在有界数量的叶子(和任意本体)的树形查询,并为有界树宽查询与有界深度本体配对。对于FO重写,我们将多尺寸重写的存在等同于布尔电路复杂性中的已知问题。作为我们的第二个贡献,我们分析了查询回答的计算复杂性,并建立了一系列查询本体对的易处理性结果(NL-或LOGCFL-完整性)。将我们的新结果与文献中的结果相结合,可以完整地了解所考虑的查询和本体类的简洁性和复杂性。
2015-05-13 cs.AI cs.CC cs.DB