Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis: A review
Georgia Institute of Technology（佐治亚理工学院）；Mayo Clinic Arizona（妙佑医疗国际亚利桑那州院区）；Arizona State University（亚利桑那州立大学）；Columbia University Medical Center（哥伦比亚大学医学中心）
本文综述了知识驱动的机器学习在癌症诊断与预后中的研究进展，重点分析临床、影像、分子和治疗四类数据的建模问题，并总结了知识表示与知识整合策略，展望了未来发展方向。
2024-01-12 cs.AI cs.LG
Bias in Knowledge Graphs -- an Empirical Study with Movie Recommendation and Different Language Editions of DBpedia
University of Mannheim（曼海姆大学）
公共知识图谱，如DBpedia和Wikidata已被认为是有趣的背景知识的来源，以建立基于内容的推荐系统。它们可用于添加有关要推荐的项目的信息以及这些项目之间的链接。虽然已经提出了相当多的方法来利用知识图谱，他们中的大多数旨在优化推荐策略，同时使用一个固定的知识图谱。在本文中，我们采用不同的方法，即，当使用不同的底层知识图谱时，我们修正推荐策略并观察变化。特别是，我们使用不同语言版本的DBpedia。我们发现，使用不同的知识图谱不仅会导致不同的偏见推荐系统，但也推荐系统的性能不同的特定领域的建议。
2021-05-03 cs.AI cs.IR
KG-BERTScore: Incorporating Knowledge Graph into BERTScore for Reference-Free Machine Translation Evaluation
Huawei Technologies Co., Ltd.（华为技术有限公司）
BERTScore是一种有效的、鲁棒的基于参考的机器翻译评价自动度量方法。本文将多语言知识图谱引入BERTScore，提出了一种基于多语言知识图谱的无参考机器翻译评价指标KG-BERTScore。从WMT 19 QE作为无参考共享任务的度量的实验结果来看，我们的度量KG-BERTScore与人类判断的总体相关性高于当前最先进的无参考机器翻译评估度量。1此外，本文还研究了KG-BERTScore使用的预训练多语言模型和线性组合参数。
2023-01-30 cs.AI cs.CL
KG-NSF: Knowledge Graph Completion with a Negative-Sample-Free Approach
International University of Rabat（拉巴特国际大学）
知识图谱（KG）的补全是一项重要的任务，它极大地有利于许多领域（例如生物医学研究）的知识发现。近年来，学习KG嵌入来执行这一任务受到了相当大的关注。尽管KG嵌入方法取得了成功，但它们主要使用负采样，导致计算复杂性增加以及由于封闭世界假设而导致的有偏预测。为了克服这些局限性，我们提出了\textbf{KG-NSF}，一个负采样的框架学习KG嵌入的基础上嵌入向量的互相关矩阵。结果表明，该方法实现了可比的链接预测性能负采样为基础的方法，同时收敛速度更快。
2022-07-29 cs.AI cs.CL cs.LG
PyKale: Knowledge-Aware Machine Learning from Multiple Sources in Python
The University of Sheffield（谢菲尔德大学）；Indian Institute of Technology, Delhi（印度理工学院德里分校）
机器学习是一种通用技术，有望解决许多跨学科的研究问题。然而，当大多数机器学习工具分别在不同领域开发时，在跨越学科边界方面存在重大障碍。我们介绍Pykale -一个用于图形，图像，文本和视频知识感知机器学习的Python库，以实现和加速跨学科研究。我们制定了新的绿色机器学习准则的基础上，标准的软件工程实践，并提出了一种新的基于流水线的应用程序编程接口（API）。PyKale专注于利用来自多个来源的知识进行准确和可解释的预测，从而支持多模态学习和迁移学习（特别是领域自适应），并使用最新的深度学习和降维模型。我们在PyTorch上构建PyKale，并利用丰富的PyTorch生态系统。我们基于流水线的API设计强制执行标准化和极简主义，通过减少重复和冗余、重用现有资源以及跨领域回收学习模型来拥抱绿色机器学习概念。我们通过生物信息学，知识图谱，图像/视频识别和医学成像的例子来展示其跨学科的性质。
2021-06-17 cs.AI cs.CV cs.LG
Why we need biased AI -- How including cognitive and ethical machine biases can enhance AI systems
University of Tuebingen（图宾根大学）
本文从两个方面强调了偏见在人工智能（AI）领域的重要性。首先，为了在复杂、不稳定和不确定的现实环境中培养有效的算法决策，我们主张在学习算法中实现人类认知偏见的结构化。其次，我们认为，为了实现道德的机器行为，过滤器机制必须应用于选择有偏见的训练刺激，代表社会或行为特征，是道德上可取的。我们使用认知科学和伦理学的见解，并将其应用于人工智能领域，将理论考虑与描述有形偏见实施场景的七个案例研究相结合。最终，本文是明确追求重新评估机器偏见的伦理意义的想法，以及提出将认知偏见实施到机器中的想法的第一个尝试性步骤。
2022-03-18 cs.AI cs.LG
Biased Models Have Biased Explanations
University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们通过为机器学习模型生成的基于属性的解释来研究机器学习（FairML）中的公平性。我们的假设是：有偏的模型有偏的解释。为了建立这一点，我们首先翻译现有的群体公平的统计概念，并根据模型给出的解释来定义这些概念。然后，我们提出了一种新的方法来检测（不）公平的任何黑盒模型。我们进一步研究后处理技术的公平性和原因如何解释可以用来使偏见缓解技术更个别公平。我们还介绍了一种新的后处理缓解技术，提高个人公平性的追索权，同时保持组级的公平性。
2020-12-20 cs.AI cs.LG
Finite Biased Teaching with Infinite Concept Classes
Universitat Politècnica de València（瓦伦西亚理工大学）；University of Bergen（卑尔根大学）
我们通过学习偏误（学习者使用学习偏误来偏好某些概念，教师使用学习偏误来设计教学实例）和抽样偏误（抽样偏误决定概念如何从类中抽样）的影响来研究无限概念类的教学。我们分析两个重要的类：图灵机和有限状态机。我们推导出有偏见的教学维度时，学习偏见是来自复杂性的措施（Kolmogorov复杂性和最小数量的国家分别）和分析的抽样分布，导致有限的预期有偏见的教学维度的界限。我们强调了现有的权衡之间的界限和样本的代表性，其影响的理解是什么丰富的概念，机器需要。
2018-04-19 cs.AI cs.IT math.IT
Removing biased data to improve fairness and accuracy
University of Washington（华盛顿大学）
机器学习系统通常使用从历史决策中收集的数据进行训练。如果过去的决策是有偏见的，那么从历史数据中学习的自动化系统也会有偏见。我们提出了一种黑盒方法来识别和删除有偏见的训练数据。在这种去偏数据（原始训练数据的子集）上训练的机器学习模型具有较低的个体区分度，通常为0%。这些模型也比在完整历史数据上训练的模型具有更高的准确性和更低的统计差异。我们使用6个真实世界的数据集在实验中评估了我们的方法。我们的方法在个体识别和准确性方面优于以前的七种方法。
2021-02-05 cs.AI cs.CY cs.LG
Detecting and Mitigating Bias in LLMs through Knowledge Graph-Augmented Training
Althire AI（阿尔泰人工智能公司）；Gen AI Research（生成式人工智能研究院）
本研究提出知识图谱增强训练（KGAT）方法，利用结构化领域知识缓解大型语言模型中的偏见，通过在Gender Shades等数据集上的评估与针对性策略，显著降低了偏见输出并提升了公平性指标。
2025-04-01 cs.AI cs.CL
Constraint programming model and biased random-key genetic algorithm for the single-machine coupled task scheduling problem with exact delays to minimize the makespan
Institute of Computing, Universidade Federal da Bahia, Salvador, BA 40170-115, Brazil（计算学院，巴西巴伊亚联邦大学，萨尔瓦多，BA 40170-115）
本文提出了一种结合约束编程和偏随机键遗传算法的单机耦合任务调度方法，以在精确延迟下最小化完工时间，通过高效解空间探索获得高质量近似解。
2025-12-29 cs.AI math.OC
Calibrating Biased Distribution in VFM-derived Latent Space via Cross-Domain Geometric Consistency
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学耿丽人工智能学院）；Tsinghua University（清华大学）；Xidian University（西安电子科技大学）；Wuhan University（武汉大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出利用视觉基础模型特征分布的跨域几何一致性来校准有偏数据分布，并在联邦学习和长尾识别中验证其有效性，从而克服数据异质性和样本不平衡问题。
2025-08-19 cs.AI cs.CV
Wikipedia for Smart Machines and Double Deep Machine Learning
Arison School of Business, Interdisciplinary Center (IDC)（阿里森商学院，跨学科中心（IDC））
以数据为中心的深度学习算法取得了非常重要的突破，在人脸识别或心电图分类等人工智能（AI）的事务点应用中取得了令人印象深刻的性能。然而，尽管如此，仅知识盲数据的机器学习算法对于非事务性AI应用具有严重的局限性，例如EKG结果之外的医疗诊断。这些应用需要更深入和更广泛的知识来解决问题，例如将解剖学和生理学知识与EKG结果和其他患者发现相结合。在回顾和说明了几个现实生活中的AI应用程序的这些限制之后，我们指出了克服这些限制的方法。Wikipedia for Smart Machines计划旨在构建软件结构库，这些软件结构库代表了人类生活各个方面的科学和技术知识;我们在学校，大学和职业生涯中学习的知识。这些存储库的目标读者是智能机器，而不是人类。人工智能软件开发人员将拥有这些可重用的知识结构，因此，建议的名称ReKopedia。大数据已经是一项成熟的技术，是时候关注大知识了。有些将从数据中获得，有些将从人类巨大的知识库中获得。智能机器的Wikipedia以及新的双重深度学习方法提供了一种范式，用于将以知识为中心的深度学习算法与利用深度知识的算法（例如证据推理和因果关系推理）集成在一起。为了说明，描述了一个项目，以产生ReKopedia知识模块，用于约1,000种疾病的医学诊断。数据固然重要，但知识深度、基础性和常识性也同样重要。
2018-05-22 cs.AI
Benchmarking Fairness-aware Graph Neural Networks in Knowledge Graphs
The University of Osaka（大阪大学）
该研究针对现有公平感知图神经网络（GNN）缺乏知识图谱场景评估的空白，基于YAGO等三个大规模知识图谱构建新数据集，在不同GNN骨干和早停条件下测试预处理与处理中公平方法，揭示了知识图谱上准确率与公平性的权衡规律及不同方法的效果差异。
2025-10-21 cs.AI cs.LG
How Biased are Your Features?: Computing Fairness Influence Functions with Global Sensitivity Analysis
National University of Singapore（新加坡国立大学）；Univ. Lille（里尔大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）
本文提出公平性影响函数（FIF），通过全局敏感性分析和方差分解量化数据集中单一及交叉特征对分类器偏见的影响，并实例化FairXplainer算法进行估计，实验证明其能更好地近似偏见并检测公平性干预的效果。
2023-07-03 cs.AI cs.LG
Interpretable Automated Machine Learning in Maana(TM) Knowledge Platform
Maana, Inc.（Maana公司）
机器学习正在成为许多工业应用开发解决方案的重要组成部分，但缺乏可解释性阻碍了快速构建、测试、部署和验证机器学习模型的广泛行业采用，因为开发机器学习解决方案的洞察力没有在结构上编码、合理化和转移。在本文中，我们描述了Maana元学习服务，一个可解释的和交互式的自动机器学习服务驻留在Maana知识平台，执行机器引导，用户辅助管道搜索和超参数调整，并生成结构化的知识的管道分析和选择的决定。该服务随Maana知识平台提供，并使用基准数据集进行验证。此外，它从管道搜索中获取知识的能力促进了各种推理任务，并转移到类似的数据科学项目。
2019-05-06 cs.AI cs.LG
Biased AI can Influence Political Decision-Making
Department of Statistics, University of Washington（华盛顿大学统计学系）；Department of Computer Science, University of Washington（华盛顿大学计算机科学系）；Dallas, Texas（德克萨斯州达拉斯）；Department of Computer Science, Stanford University（斯坦福大学计算机科学系）；Psychiatry and Behavioral Science, University of Washington（华盛顿大学精神病学与行为科学系）；Department of Communication, Stanford University（斯坦福大学传播学系）
本文通过两个互动实验研究了LLM偏见对政治观点和决策的影响，发现参与者更容易接受与模型偏见一致的观点，即使个人政治倾向相反，且AI知识水平与偏见影响减弱相关。
2026-03-18 cs.AI cs.HC
Machine Knowledge: Creation and Curation of Comprehensive Knowledge Bases
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Amazon（亚马逊）；Telecom Paris University（巴黎电信大学）
为机器配备关于世界实体及其关系的全面知识一直是人工智能的长期目标。在过去的十年中，大规模的知识库，也被称为知识图谱，已经从网络内容和文本源自动构建，并已成为搜索引擎的关键资产。这种机器知识可以用来语义解释新闻、社交媒体和网络表格中的文本短语，并有助于问答、自然语言处理和数据分析。本文概述了创建和管理大型知识库的基本概念和实用方法。它涵盖了用于发现和规范化实体及其语义类型并将其组织成清晰分类的模型和方法。在此基础上，本文讨论了以实体为中心的属性的自动提取。为了支持机器知识的长期生命周期和质量保证，本文提出了构建开放模式和知识策展的方法。对学术项目和工业知识图谱的案例研究补充了概念和方法的调查。
2021-03-22 cs.AI cs.DB
Knowledge-based Entity Prediction for Improved Machine Perception in Autonomous Systems
Bosch Research and Technology Center（博世研究与技术中心）
基于知识的实体预测（KEP）是一个新的任务，旨在提高自主系统中的机器感知。KEP利用来自异构源的关系知识来预测可能无法识别的实体。在本文中，我们提供了一个正式的定义KEP作为一个知识完成任务。然后介绍了三种可能的解决方案，它们采用了几种机器学习和数据采掘技术。最后，KEP的适用性证明了两个自主系统从不同的领域，即，自动驾驶和智能制造。我们认为，在复杂的现实世界系统中，KEP的使用将显着提高机器的感知能力，同时推动当前技术更接近实现完全自主。
2022-06-09 cs.AI cs.CV
Integration of knowledge and data in machine learning
Eastern Institute for Advanced Study（东方高等研究院）；Yongriver Institute of Technology（甬江理工学院）；National Center for Applied Mathematics Shenzhen (NCAMS)（深圳国家应用数学中心）；Southern University of Science and Technology（南方科技大学）；Peng Cheng Laboratory（鹏城实验室）
科学研究的任务是理解和探索世界，并根据经验和知识对其进行改进。知识嵌入和知识发现是知识与数据集成的两种重要方法。通过知识嵌入，可以消除知识和数据之间的壁垒，建立具有物理常识的机器学习模型。同时，人类对世界的理解总是有限的，知识发现利用机器学习从观察中提取新的知识。知识发现不仅可以帮助研究者更好地把握物理学的本质，而且可以支持他们进行知识嵌入研究。将知识嵌入和知识发现相结合，形成知识生成和使用的闭环，提高模型的鲁棒性和准确性，揭示未知的科学原理。本研究总结和分析了现存的文献，以及确定研究的差距和未来的机会。
2022-04-09 cs.AI cs.LG
Fairness-Aware Online Personalization
LinkedIn Corporation（领英公司）；Facebook（脸书）；Amazon AWS AI（亚马逊云科技人工智能）
在诸如贷款、招聘和大学招生等关键应用中，由于各种因素的共同作用，算法模型和技术的使用越来越多，这些因素包括无处不在的连接性，使用云计算收集、聚合和处理大量细粒度数据的能力，以及易于应用复杂的机器学习模型。通常，这些应用程序由搜索和推荐系统提供支持，而这些系统又利用个性化的排名算法。与此同时，人们越来越意识到使用这种数据驱动系统所带来的道德和法律挑战。来自不同学科的研究人员和从业者最近强调了这种系统歧视某些人群的可能性，这是由于用于学习其底层推荐模型的数据集存在偏见。我们提出了一个研究的公平性，在网上个性化设置涉及个人的排名。从一个公平的热启动机器学习模型开始，我们首先证明，如果用户在他/她的反应中有偏见，在线个性化可能会导致模型学习以不公平的方式行事。为此，我们构建了一个程式化的模型，用于生成具有潜在偏见的特征以及潜在偏见的标签的训练数据，并量化了当用户以偏见的方式响应时模型所学到的偏见程度，如在许多现实世界中的场景。然后，我们制定了公平约束下的个性化模型的学习问题，并提出了一个正则化的方法，以减轻偏见的机器学习。我们证明了我们的方法的有效性，通过广泛的模拟与不同的参数设置。代码：https://github.com/groshanlal/Fairness-Aware-Online-Personalization
2020-09-06 cs.AI cs.LG stat.ML
Graph representations of 3D data for machine learning
该研究从机器学习适配性视角综述3D数据的组合表示方法，分析各类表示的优劣，介绍表示生成与切换方法及两个实际应用，兼顾理论性与现实问题导向。
2024-08-15 cs.AI cs.CV cs.LG
Machine Reading with Background Knowledge
Carnegie Mellon University（卡内基梅隆大学）
能够自动理解自然语言文本的智能系统对于包括移动电话语音助理、计算机视觉和机器人技术在内的许多人工智能应用是重要的。理解语言通常是将新的信息融入先前获得的世界观。然而，许多机器阅读系统仅依赖于文本来推断其含义。在本文中，我们追求一种不同的方法;机器阅读方法，利用背景知识，以促进语言理解。为此，我们开发了两种方法：第一种方法解决介词短语连接歧义。它在半监督机器学习算法中使用背景知识，该算法从标记和未标记的数据中学习。这种方法在两个数据集上对强基线产生最先进的结果;第二种方法从复合名词中提取关系。我们的复合名词分析的知识感知方法准确地提取关系，并显着优于基线，不利用背景知识。
2016-12-16 cs.AI cs.CL
SYNERGY: Building Task Bots at Scale Using Symbolic Knowledge and Machine Teaching
Microsoft Research（微软研究院）；Iowa State University（爱荷华州立大学）
在本文中，我们探索了使用符号知识和机器教学来减少人类在构建神经任务机器人时的数据标记工作。我们提出了SYNERGY，一个混合学习框架，其中的任务机器人的开发分为两个步骤：（i）符号知识的神经网络：大量的模拟对话会话生成的基础上，特定于任务的符号知识表示为一个任务模式，包括对话流和面向任务的数据库。然后，预先训练的神经对话模型SOLOIST在模拟对话框上进行微调，以构建用于任务的机器人。(ii)神经学习：微调的神经对话模型通过机器教学不断完善，其中训练样本由人类教师与任务机器人交互生成。我们在四个对话任务上验证SYNERGY。实验结果表明，SYNERGY将特定于任务的知识映射到神经对话模型中，实现了更大的对话流多样性和覆盖率，并通过机器教学不断提高模型性能，从而展示了符号知识和机器教学的强大协同效应。
2021-10-21 cs.AI cs.CL
Machine Learning with World Knowledge: The Position and Survey
Hong Kong University of Science and Technology（香港科技大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
机器学习已经在多个领域变得普遍，影响了各种各样的应用，例如知识发现和数据采掘、自然语言处理、信息检索、计算机视觉、社会和健康信息学、普适计算等。机器学习的两个基本问题是如何生成特征和如何获取标签以供机器学习。特别是，为每个特定领域的问题标记大量数据可能非常耗时且成本高昂。它已经成为使学习协议在应用中变得现实的一个关键障碍。在本文中，我们将讨论如何使用现有的通用世界知识来增强机器学习过程，通过丰富的功能或减少标记工作。本文从世界知识与领域知识的比较入手，介绍了在学习过程中运用世界知识的三个关键问题，即：显式和隐式特征表示、用于知识链接和消歧的推理以及在直接或间接监督下的学习。最后，我们讨论了未来的研究方向。
2017-05-08 cs.AI cs.LG stat.ML
Prescribed Fire Modeling using Knowledge-Guided Machine Learning for Land Management
University of Minnesota（明尼苏达大学）；University of California San Diego（加州大学圣迭戈分校）；Colorado State University（科罗拉多州立大学）
针对传统计划火烧过程模型计算慢、传统ML火灾建模物理一致性差、指标估计有偏及泛化弱的问题，提出知识引导的ML框架，结合领域知识、源域数据增强和分层建模，提升模拟速度与过火面积等指标估计精度及风况泛化性，支撑火烧管理决策。
2023-10-02 cs.AI cs.LG stat.AP
Knowledge Tracing Machines: Factorization Machines for Knowledge Tracing
RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Kyoto University（京都大学）
知识追踪是一个序列预测问题，其目标是预测学生在与学习平台交互时对问题的结果。通过跟踪一些学生知识的演变，可以优化教学。现有的方法要么是基于时间潜变量模型，或因素分析的时间特征。我们在这里表明，因子分解机（FM），回归或分类模型，包括几个现有的模型在教育文献中的特殊情况下，特别是添加剂因子模型，性能因子模型，和多维项目反应理论。我们表明，使用几个真实的数据集的成千上万的用户和项目，FM可以准确和快速地估计学生的知识，即使学生的数据是稀疏观察，并处理边信息，如多个知识组件和尝试次数在项目或技能水平。我们的方法允许适应比现有模型更高维度的学生模型，并提供了一个测试平台来尝试新的功能组合，以改善现有模型。
2018-11-15 cs.AI cs.IR cs.LG
Leveraging Knowledge Bases in LSTMs for Improving Machine Reading
Carnegie Mellon University（卡内基梅隆大学）
本文主要研究如何利用外部知识库（KB）来改进递归神经网络以实现机器阅读。利用知识库中的知识的传统方法将知识编码为离散的指示符特征。这些特征不仅泛化能力差，而且需要特定于任务的特征工程来实现良好的性能。我们提出了KBLSTM，这是一种新型的神经模型，它利用知识库的连续表示来增强机器阅读递归神经网络的学习。为了有效地将背景知识与当前处理的文本中的信息相结合，我们的模型采用了一种带有哨兵的注意力机制来自适应地决定是否关注背景知识以及知识库中的哪些信息是有用的。实验结果表明，我们的模型实现的准确性，超过了以前的国家的最先进的结果，实体提取和事件提取广泛使用的ACE2005数据集。
2019-02-25 cs.AI cs.CL cs.LG
A Framework for Interactive Knowledge-Aided Machine Teaching
Georgia Institute of Technology（佐治亚理工学院）
机器教学（MT）是一个交互式的过程，其中人类通过扮演教师的角色来训练机器学习模型。设计机器翻译系统的过程涉及可能影响人类教师效率和机器学习者性能的决策。以前的研究提出并评估了具体的MT系统，但有一个一般的框架设计它们的讨论有限。我们提出了一个设计机器翻译系统的框架，并详细介绍了一个系统的文本分类问题作为一个具体的例子。我们的框架侧重于三个组成部分，即教学界面，机器学习者和知识库，和他们的关系描述了每个组件如何可以使其他人受益。我们的初步实验表明，机器翻译系统可以减少人类的教学时间和机器学习的出错率。
2022-04-21 cs.AI cs.HC cs.LG
Knowledge Informed Machine Learning using a Weibull-based Loss Function
机器学习可以通过整合外部知识来增强。这种方法，称为知识通知机器学习，也适用于预测和健康管理（PHM）领域。在本文中，知识通知机器学习的各种方法，从PHM的背景下，审查的目标是帮助读者了解该领域。此外，知识通知机器学习技术证明，使用常见的IMS和PRONOSTIA轴承数据集，剩余使用寿命（RUL）预测。具体而言，知识是从可靠性工程领域获得的，通过威布尔分布表示。然后通过一种新的基于威布尔的损失函数将知识集成到神经网络中。基于Weibull的损失函数进行了全面的统计分析，证明了PRONOSTIA数据集上的方法的有效性。然而，基于威布尔的损失函数对IMS数据集不太有效。的结果，缺点和好处的方法进行了讨论的长度。最后，所有的代码都是公开的，以供其他研究人员使用。
2022-01-04 cs.AI cs.LG cs.SY
Evident: a Development Methodology and a Knowledge Base Topology for Data Mining, Machine Learning and General Knowledge Management
Philips North America（飞利浦北美）；Google LLC（谷歌有限责任公司）
用于知识发现、预测和管理的软件已经开发了30多年。然而，在使用现有的项目开发和工件管理方法时，仍然存在未解决的痛点。从历史上看，一直缺乏适用的方法。此外，已经应用的方法，如敏捷，有几个限制，包括科学的不可证伪性，降低了它们的适用性。提出了一种基于逻辑推理哲学的开发方法学Evident和一种知识库拓扑结构EKB。从概念上缓解了数据采掘、机器学习和一般知识管理中的许多痛点。Evident可以扩展到加速哲学探索，科学发现，教育以及全球知识共享和保留。EKB提供了一种将信息存储为知识的解决方案，知识是数据之上的粒度级别。还讨论了计算机历史、软件工程、数据库、传感器、哲学以及项目与组织和军事管理方面的相关主题。
2022-11-09 cs.AI cs.DB cs.LG
Forbidden knowledge in machine learning -- Reflections on the limits of research and publication
University of Tuebingen（蒂宾根大学）
某些研究链可以产生“被禁止的知识”。这一术语指的是被认为过于敏感、危险或禁忌而不能提供或分享的知识。关于这种出版限制的讨论已经在IT安全、合成生物学或核物理研究等科学领域根深蒂固。本文提出了将这一论述转移到机器学习研究的案例。一些机器学习应用可以非常容易地被误用并且展现有害的后果，例如关于生成视频或文本合成、个性分析、行为操纵、软件漏洞检测等。到目前为止，机器学习研究界都接受了开放获取的思想。然而，这与防止恶意使用机器学习应用程序的预防措施相反。关于或来自此类应用程序的信息，如果披露不当，可能对个人、组织或整个社会造成伤害。因此，这项工作的目标是概述有助于决定是否以及何时应防止传播这类信息的规范。它为机器学习界提出了审查参数，以建立一个关于如何处理违禁知识和双重用途应用的道德框架。
2019-11-19 cs.AI cs.CY cs.LG
A Factorization Machine Framework for Testing Bigram Embeddings in Knowledgebase Completion
University College London（伦敦大学学院）
到目前为止，基于嵌入的知识库补全模型大多结合了单个实体或关系的分布式表示来计算缺失链接的真值分数。然而，事实也可以使用成对嵌入来表示，即实体和关系对的嵌入。在本文中，我们探索这样的二元模型嵌入与灵活的分解机模型和几个消融从它。我们调查的相关性的各种二元模型类型的fb15k237数据集，并找到相对的改进相比，组合模型。
2016-04-20 cs.AI cs.CL cs.NE
