Lower Bounds for Approximate Knowledge Compilation
CRIL, CNRS & Univ Artois(CRIL,法国国家科学研究中心与阿图瓦大学)
知识编译研究不同表示语言的简洁性和效率之间的权衡。对于许多语言,存在已知的表示大小的强下限,但最近的工作表明,对于某些语言,可以使用近似编译绕过这些界限。这个想法是编译一个近似的知识,错误的数量可以控制。我们专注于电路的确定性可分解否定范式(d-DNNF),编译语言,如概率推理的上下文中,因为它支持高效的模型计数和概率推理。此外,d-DNNF有已知的大小下限,通过放松到近似值,可以避免。在本文中,我们正式提出了两个概念的近似:弱近似已被研究之前,在决策图文献和强近似已被用于最近的算法结果。然后,我们展示了d-DNNF近似的下限,补充了文献中的积极结果。
2020-11-27 cs.AI
Reduced Ordered Binary Decision Diagram with Implied Literals: A New knowledge Compilation Approach
Jilin University(吉林大学)
知识编译是解决一般推理问题计算难题的一种方法。根据这种方法,知识库被离线转换成一个目标编译语言,这是易于处理的在线查询。降序二叉决策图(ROBDD)是最有影响力的目标语言之一。我们通过在每个节点上关联一些隐含文字来推广ROBDD,新的语言被称为具有隐含文字的简化有序二元决策图(ROBDD-L)。然后我们讨论了ROBDD-L的一类子集ROBDD-i,它的隐含文字正好是i(0 \leq i \leq \infty).特别地,ROBDD-0与ROBDD同构; ROBDD-\infty要求每个节点都应该尽可能多地通过隐含的文字来关联。我们证明了ROBDD-1在某些特定的变量顺序上具有唯一性,而ROBDD-\infty是ROBDD-L中最简洁的子集,可以满足知识编译图中涉及的大多数查询要求。最后,我们提出了一个适用于任意i的ROBDD-i编译算法和一个ROBDD-\infty编译算法。在此基础上实现了一个ROBDD-L包BDDjLu,并通过初步的实验结果得出以下结论:对于所有基准测试,ROBDD-\infty明显小于ROBDD;对于编译结果相对较小的基准测试,ROBDD-\infty小于d-DNNF;将ROBDD-\infty转换为FBDD和ROBDD比直接编译基准测试更好。
2011-03-24 cs.AI
Knowledge Compilation in Multi-Agent Epistemic Logics
Jinan University(暨南大学);Griffith University(格里菲斯大学);Guangdong Institute of Public Administration(广东行政学院)
认知逻辑是多智能体系统的主要形式,但在这样的认知逻辑的主要推理任务是棘手的,这阻碍了多智能体认知逻辑在自动规划中的应用。知识编译提供了一个很有前途的方式来解决棘手的识别表达片段的认知逻辑是易处理的重要推理任务,如可满足性和遗忘。逻辑可分性的属性允许将公式分解成其子公式,从而可以开发用于各种推理任务的模块化算法。本文利用逻辑可分性,通过定义一个范式SDNF,提出了一种对逻辑Kn进行知识编译的方法。在几个新的结果,我们表明,每一个认知公式可以等价地编译成一个公式在SDNF,主要的推理任务在SDNF是易处理的,和公式在SDNF享有逻辑可分性。我们的研究结果揭示了一些模块化的知识编译方法。此外,我们将我们的结果应用于多智能体认知规划。最后,我们将上述结果推广到K45n,即Kn由内省公理4和5推广的逻辑。
2018-06-28 cs.AI
Contrastive Explanations of Plans Through Model Restrictions
University of Strathclyde(斯特拉斯克莱德大学);PS Research(PS研究公司)
在自动化计划中,当建议的计划与用户的期望之间存在不匹配时,需要解释。我们在计划协商问题的背景下构建了可解释的人工智能规划,其中生成并解决了一系列假设的规划问题。协商的目的是让用户理解并最终达成满意的计划。我们提出的用户研究的结果表明,当用户问问题的计划,这些问题是对比,即“为什么是A,而不是B?".我们使用本研究的数据来构建一个分类的用户问题,经常出现在计划谈判。我们正式定义我们的方法,通过模型的限制,作为一个迭代过程的计划谈判。这种方法通过用户问题隐含的约束来限制模型,从而生成假设问题和对比计划。我们正式定义基于模型的编译PDDL 2.1中的每个约束来自一个用户的问题的分类,并根据经验评估编译的计算复杂性。编译实现的解释框架,采用迭代模型限制的一部分。我们在第二个用户研究中展示了它的好处。
2021-03-29 cs.AI
Tractable Bounding of Counterfactual Queries by Knowledge Compilation
IDSIA(瑞士人工智能研究所);UCLA(加州大学洛杉矶分校)
针对Pearl结构因果模型中反事实等部分可识别查询的边界计算问题,提出基于单次符号知识编译为带符号参数算术电路的方法,结合并行化技术,实现最高达一个数量级的推理加速。
2023-10-05 cs.AI
Efficient Computation of Shap Explanation Scores for Neural Network Classifiers via Knowledge Compilation
Millennium Institute for Foundational Research on Data(千年基础数据研究所);SKEMA Business School(SKEMA商学院);Universidad Adolfo Ibáñez(阿道夫·伊瓦涅斯大学)
针对神经网络这类黑盒分类器的Shap解释得分计算难解问题,提出基于逻辑知识编译将二值神经网络转换为可高效计算Shap的布尔电路的方法,实验显示性能提升显著。
2023-07-23 cs.AI cs.DB cs.LG
Fusing First-order Knowledge Compilation and the Lifted Junction Tree Algorithm
University of Lübeck(吕贝克大学)
一阶结构的概率形式化推理的标准方法包括单次查询的提升变量消除(LVE)以及基于加权模型计数的一阶知识编译(FOKC)。为了有效地处理多个查询,提升连接树算法(LJT)使用模型的一阶聚类表示和LVE作为其计算中的子例程。对于某些输入,LVE的实现,以及因此LJT接地模型的FOKC具有提升运行的部分。本文的目的是准备LJT作为提升推理的骨干,并使用任何精确的推理算法作为子程序。在LJT中使用FOKC可以让我们在某些输入下比LJT、LVE和FOKC更快地计算答案。
2018-07-02 cs.AI
New Limits for Knowledge Compilation and Applications to Exact Model Counting
University of Washington(华盛顿大学)
我们展示了新的限制使用现有技术的效率,使大类的自然问题的精确概率推理。特别是,我们展示了新的知识编译SDD和DNNF形式的下限。我们给出了强有力的下限SDD表示的复杂性SDD的大小,最佳分区通信复杂性。我们使用这种关系来证明指数下界的SDD的大小代表了一个大类的问题,自然发生的概率数据库查询。结果是,对于表示联合查询的联合,SDD在质量上并不比OBDD更简洁。我们还推导出简单的例子,SDDs必须是指数比FBDD简洁。最后,我们推导出指数下界的DNNF表示使用一个新的拟多项式模拟DNNF的非确定性FBDD的大小。
2015-08-19 cs.AI
Knowledge compilation languages as proof systems
在本文中,我们研究证明系统的Cook-Reckhow意义上的问题,是更高的多项式层次比coNP,特别是,#SAT和maxSAT。我们首先解释如何的概念Cook-Reckhow证明系统可以应用到这些问题,并显示如何可以扭曲现有的语言在知识编译,如决策DNNF,使他们可以被视为证明系统的问题,如#SAT和maxSAT。
2019-03-10 cs.AI cs.CC
Boolean Nearest Neighbor Language in the Knowledge Compilation Map
Charles University(查尔斯大学)
该研究针对布尔最近邻(BNN)表示法,通过比较其与知识编译图谱(KCM)中标准语言的简洁性、确定相关查询与变换的复杂度,明确了BNN语言在KCM中的定位。
2024-10-28 cs.AI
Approximate Model Counting by Partial Knowledge Compilation
College of Computer Science and Technology(计算机科学与技术学院);Jilin University(吉林大学)
模型计数是计算给定命题公式的满足赋值的数量的问题。尽管大多数知识编译方法都能自然地提供精确的模型计数器,但在实际应用中,由于模型数量的爆炸性增长,它们无法为某些公式生成精确的模型计数结果。Decision-DNNF是一种重要的KC语言,它捕获了大多数实用编译器。通过引入一类新的叶顶点(称为未知顶点),提出了一种广义的Decision-DNNF(称为部分Decision-DNNF),并提出了一种算法PartialKC,从给定的公式中随机生成部分Decision-DNNF公式。模型数的无偏估计可以通过随机部分决策DNNF公式计算。PartialKC的每次调用由MicroKC的多次调用组成,而后者的每次调用是配备有KC技术的重要性采样的过程。实验结果表明,PartialKC比SampleSearch和SearchTreeSampler更准确,比SearchTreeSampler更好地扩展,KC技术可以明显加速采样。
2018-05-18 cs.AI
The Compilation of Decision Models
Stanford(斯坦福大学);Rockwell International Science Center(罗克韦尔国际科学中心)
我们从决策理论的角度介绍和分析了决策模型的编制问题。所描述的技术使我们能够评估各种配置的编译知识的性质,在一个域中的证据关系,与替代行动,运行时延迟的成本,和内存的成本相关联的实用程序。我们描述的程序,选择一个子集的总观测可纳入一个编译的情况下,行动映射,在一个二元决策的背景下,有条件的独立证据。这些方法允许我们逐步选择最好的证据来添加到工程设置中的编译知识集。在介绍了几种编译方法后,我们使用其中一种方法来深入了解证据权重的分布与编译的首选程度之间的关系。
2013-03-27 cs.AI
An extended Knowledge Compilation Map for Conditional Preference Statements-based and Generalized Additive Utilities-based Languages
IRIT(图卢兹计算机研究所);CNRS(法国国家科学研究中心);Centre de Recherche en Informatique de Lens (CRIL)(朗斯计算机研究中心)
本文扩展条件偏好语句语言的知识编译图,分析优化、支配之外的等价性、条件化和变量消去等查询与转换的复杂性,并研究广义加性效用的表达能力及相关复杂度。
2024-01-23 cs.AI cs.CC
Knowledge Compilation with Continuous Random Variables and its Application in Hybrid Probabilistic Logic Programming
KU Leuven(鲁汶大学)
在概率推理中,传统的离散域已被提升到包含额外连续随机变量的混合域。然而,在混合域中的推理通常需要对离散或连续随机变量的推理进行权衡。我们介绍了一种新的方法,加权模型集成和代数模型计数的基础上,规避这些权衡。然后,我们展示了它如何支持知识编译和精确的概率推理。此外,我们引入了混合概率逻辑程序设计语言HAL-ProbLog,ProbLog的扩展,我们适用于我们的推理方法。
2018-07-12 cs.AI cs.LO cs.PL
WiCER: Wiki-memory Compile, Evaluate, Refine Iterative Knowledge Compilation for LLM Wiki Systems
Zinnia Tech Solutions(Zinnia科技解决方案)
本文提出WiCER算法,通过迭代编译、评估和细化维基内存,解决LLM维基系统中知识编译的差距问题,显著提升知识检索质量并减少灾难性失败。
2026-05-08 cs.AI cs.CL
Explainability of Intelligent Transportation Systems using Knowledge Compilation: a Traffic Light Controller Case
Boston University(波士顿大学);Queen’s University(女王大学);IBM Research AI(IBM研究院)
对环境做出决定的自动控制器的使用是广泛的,并且通常基于黑盒模型。我们使用知识编译理论,使可解释性的控制器的决定,给定的系统的状态。为此,我们使用模拟的历史状态-动作数据作为输入,并构建一个紧凑的结构化表示,将状态与动作联系起来。我们实现这种方法在交通灯控制的情况下,控制器选择光周期通过观察车辆的存在(或不存在)在不同区域的传入道路。
2020-07-09 cs.AI cs.HC cs.LO
Scaling up Probabilistic Inference in Linear and Non-Linear Hybrid Domains by Leveraging Knowledge Compilation
University of Edinburgh(爱丁堡大学);Alan Turing Institute(艾伦·图灵研究所)
加权模型集成(WMC)扩展了加权模型计数(WMC),为混合离散-连续域中的概率推理提供了计算抽象。WMC已经成为一种汇编语言,用于贝叶斯网络、因子图、概率程序和概率数据库中的最先进推理。在这方面,XML显示出更广泛应用的巨大前景,特别是当许多现实世界的应用程序涉及连续和混合的属性和特征空间时。尽管如此,最先进的工具,用于验证是有限的,不成熟的比他们的命题同行。在这项工作中,我们提出了一个新的实现机制,利用命题知识编译扩展推理。特别是,我们使用的决策图,一个易于处理的表示布尔函数,作为底层的模型计数和模型枚举计划。我们的政权执行竞争力的国家的最先进的pronunciation系统,但也被证明可以处理一个特定的类的非线性约束的非线性潜力。
2020-01-13 cs.AI cs.LO
From Question-First to Analyst-First: Domain-Expert Skills and Verified Knowledge Compilation for Proactive Enterprise Analytics
该研究提出了一种从问题优先转为分析师优先的主动企业分析系统,通过领域专家技能抽象与离线知识编译循环实现,无需查询日志,可生成验证过的报告与建议问题。
2026-09-01 cs.AI
Ontology-to-tools compilation for executable semantic constraint enforcement in LLM agents
University of Cambridge(剑桥大学);CMCL;CMPG
本体到工具的编译用于LLM代理中的可执行语义约束强制,通过生成知识图谱实例来强制执行语义约束,减少手动工程。
2026-02-03 cs.AI cs.IR
On the Complexity of SHAP-Score-Based Explanations: Tractability via Knowledge Compilation and Non-Approximability Results
Universidad Católica de Chile(智利天主教大学);IMFD Chile(智利数学与计算工程研究所);National Center for Artificial Intelligence, CENIA Chile(智利国家人工智能中心(CENIA));SKEMA Business School(SKEMA商学院);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)
在机器学习中,$\mathsf{SHAP}$ -score是Shapley值的一个版本,用于通过为每个特征分配分数来解释特定实体上学习模型的结果。虽然在一般计算Shapley值是一个棘手的问题,我们证明了一个强有力的积极的结果,说明$\mathsf{SHAP}$分数可以计算在多项式时间确定性和可分解的布尔电路。这种电路在知识编译领域中被研究,并且推广了广泛的布尔电路和二元决策图类,包括二元决策树和有序二元决策图(OBDD)。我们还建立了SHAP分数的计算限制,通过观察,计算它在一类布尔模型总是多项式一样难的模型计数问题,该类。这意味着决定性和可分解性都是我们考虑的电路的基本属性。这也意味着,计算$\mathsf{SHAP}$ -分数是棘手的,以及在类的命题公式在DNF。基于这个否定的结果,我们寻找存在的全多项式随机近似计划(FPRAS)计算$\mathsf{SHAP}$ -分数在这样的类。相反,DNF公式的模型计数问题,它承认一个FPRAS,我们证明了没有这样的FPRAS存在的计算$\mathsf{SHAP}$ -分数。令人惊讶的是,这个负结果甚至对DNF中的单调公式类也成立。这些技术可以进一步扩展以证明另一个强否定结果:在广泛相信的复杂性假设下,没有多项式时间算法来检查给定单调DNF公式$φ$和特征$x,y$,$φ$中的$x$的$\mathsf{SHAP}$分数是否小于$φ$中的…
2023-03-30 cs.AI cs.CC
Beyond the Grounding Bottleneck: Datalog Techniques for Inference in Probabilistic Logic Programs (Technical Report)
Cardiff University(卡迪夫大学);Samsung AI Research(三星人工智能研究院)
概率逻辑编程中的最先进的推理方法通常通过相对于感兴趣的查询计算相关的基础程序开始,然后使用该程序进行使用知识编译和加权模型计数的概率推理。我们提出了一种替代方法,使用高效的数据库技术集成知识编译与正向推理与非地面程序。这有效地消除了接地瓶颈,到目前为止,已经禁止概率逻辑编程的查询应答场景中的应用程序在知识图谱,同时还提供了快速近似的经典基准在该领域。
2019-11-18 cs.AI
Efficient Knowledge Compilation Beyond Weighted Model Counting
TU Vienna(维也纳工业大学);KU Leuven(鲁汶大学)
逻辑编程的定量扩展通常需要解决所谓的第二级推理任务,即,在加法和乘法之上涉及第三操作(诸如最大化或归一化)的问题,并且因此超出了分布语义下的概率逻辑编程的公知的加权或代数模型计数设置。我们引入二级代数模型计数(2AMC)作为这些问题的通用框架。由于2AMC是(代数)模型计数的forall-exists-SAT是命题可满足性,这是出了名的难以解决。基于知识编译(KC)的第一级技术已被改编为特定的2AMC实例施加可变的顺序约束所产生的电路。然而,这些约束会严重增加电路尺寸,从而降低这种方法的效率。我们表明,我们可以利用2AMC问题的逻辑结构,省略这些约束的一部分,从而限制了负面影响。此外,我们引入并实现了一个策略,以产生一个足够的约束静态,与先验保证KC的性能。我们对几个基准和任务的实证评估证实了我们的理论结果可以转化为更有效的解决在实践中。正在考虑接受TPLP。
2022-05-16 cs.AI cs.LO
Causal Inference and Causal Explanation with Background Knowledge
Carnegie Mellon University(卡内基梅隆大学)
本文提出了正确的算法来回答以下两个问题:(一)是否存在一个因果关系的解释与一组背景知识,解释了所有观察到的独立的事实在一个样本?(ii)既然存在这样一种因果解释,那么每一种因果解释所共有的因果关系是什么?
2013-02-20 cs.AI
Variance Computation for Weighted Model Counting with Knowledge Compilation Approach
Communication Science Laboratories, NTT, Inc.(NTT通信科学实验室)
本文研究了加权模型计数方差的计算问题,提出了一种多项式时间算法,并证明了在不同知识编译格式下的计算复杂性,同时展示了其在贝叶斯网络不确定性分析中的应用。
2026-04-15 cs.AI cs.DS
LLMs Interpret, Embeddings Organize, Graphs Emerge: Agent-Driven Compilation of Scientific Knowledge
Capital Normal University(首都师范大学);Putian University(莆田大学)
本研究在ASKS系统中实现智能体驱动的科学知识编译,通过LLM生成维基视图与语义、嵌入及图规则整合变更,编译56篇论文得到可追溯研究画像,图内容关联原始来源记录。
2026-09-01 cs.AI cs.DL cs.IR
Cognitive Agent Compilation for Explicit Problem Solver Modeling
Carnegie Mellon University(卡内基梅隆大学)
本文提出Cognitive Agent Compilation框架,利用强教师LLM将问题解决知识编译为显式目标代理,旨在提高教育场景中问题解决的可检查性和可编辑性。
2026-05-07 cs.AI cs.CL cs.CY
Understanding the complexity of #SAT using knowledge compilation
Birkbeck College, University of London(伦敦大学伯贝克学院)
到目前为止,已经使用了两种主要技术来解决#P-hard问题#SAT。第一个,在实践中使用,是基于扩展的DPLL的模型计数称为穷举DPLL。第二种方法,更多的理论,利用输入的结构来计算满意的分配的数量,通常使用一个动态规划计划的公式的分解。在本文中,我们对这两种技术的分离,展示了一个家庭的公式,可以解决在多项式时间的第一种技术,但需要一个指数的时间与第二个。我们通过观察这两种技术隐式地构建一个非常具体的布尔电路等效于输入公式。然后,我们表明,每一个β-非循环公式可以表示为一个多项式大小的电路对应的第一种方法,并表现出一个家庭的β-非循环公式,不能表示为多项式大小的电路对应的第二种方法。这一结果揭示了一个新的光的复杂性#SAT和相关问题的β-无环公式。作为一个副产品,我们提供了新的方便的工具来设计算法的β-无圈超图。
2017-01-05 cs.AI cs.CC
Computing Rule-Based Explanations of Machine Learning Classifiers using Knowledge Graphs
Artificial Intelligence and Learning Systems Laboratory(人工智能与学习系统实验室);School of Electrical and Computer Engineering(电气与计算机工程学院);National Technical University of Athens(雅典国立技术大学)
使用符号知识表示和推理作为解决机器学习分类器缺乏透明性的一种方法是近年来吸引了许多研究人员的研究领域。在这项工作中,我们使用知识图谱作为基础框架,提供了用于表示机器学习分类器的操作的解释的术语。特别是,给出了一个描述的应用领域的分类器的形式的知识图谱,我们介绍了一种新的方法,用于提取和表示黑箱解释其操作,在一阶逻辑规则的形式表示的术语的知识图谱。
2022-02-08 cs.AI
KGCompiler: Deep Learning Compilation Optimization for Knowledge Graph Complex Logical Query Answering
University of Chinese Academy of Sciences(中国科学院大学);Institute of Software Chinese Academy of Sciences(中国科学院软件研究所);Beijing University of Posts and Telecommunications(北京邮电大学)
针对知识图谱复杂逻辑查询回答中推理时间和内存随算子数量显著增加的问题,提出首个专为CLQA任务设计的深度学习编译器KGCompiler,通过KG特定优化在无需人工修改代码的前提下提升推理性能并降低内存,实现平均3.71倍加速。
2025-03-04 cs.AI cs.SE
Enriching Artificial Intelligence Explanations with Knowledge Fragments
Qlector d.o.o.(Qlector有限责任公司);University of Ljubljana(卢布尔雅那大学)
人工智能模型越来越多地用于制造业,为决策提供信息。负责任的决策需要准确的预测和对模型行为的理解。此外,对模型基本原理的洞察可以通过领域知识来丰富。这项研究构建了考虑特定预测的特征排名的解释,用媒体新闻条目,数据集的元数据和来自Google知识图谱的条目丰富了它们。我们比较了两种方法(基于嵌入和基于语义)在现实世界的需求预测用例。
2022-04-12 cs.AI
Knowledge-based XAI through CBR: There is more to explanations than models can tell
Drexel University(德雷塞尔大学)
基于知识的可解释人工智能的基本假设是以数据为中心的人工智能代理所需的数据(例如,神经网络)在内容上不如向人类解释这种代理的决策所需的数据多样化。这个想法是,分类器可以使用从一个角度表达现象的数据来获得高准确性,而解释的受众可能需要多个利益相关者并跨越不同的角度。因此,我们建议使用领域知识来补充代理使用的数据。我们制定基于知识的可解释的人工智能作为一个监督数据分类问题与CBR方法。在这个公式中,输入是由数据为中心的代理和案例解决方案的输入和输出组成的案例问题,输出是从领域知识和主题专家获得的解释类别。这种提法通常不会导致准确的分类,从而妨碍选择正确的解释类别。基于知识的可解释人工智能通过添加与领域知识一致的特征来扩展该公式中的数据,这些特征可以在选择解释类别时提高准确性。
2021-08-23 cs.AI
Explanation Container in Case-Based Biomedical Question-Answering
国家推进转化科学中心(NCATS)生物医学数据翻译器(翻译器)旨在减轻转化科学家面临的问题。翻译器是一个多代理体系结构,由六个自主中继代理(ARA)和八个知识提供者(KP)。在本文中,我们提出了设计的澄清剂(xARA),一个基于案例的ARA,回答生物医学查询访问多个KP,排名结果,并解释结果的排名。解释Agent设计了五个知识容器,包括四个原始知识容器和一个额外的解释容器-解释容器。解释容器是基于案例的,并设计有自己的知识容器。
2021-12-22 cs.AI
GRainsaCK: a Comprehensive Software Library for Benchmarking Explanations of Link Prediction Tasks on Knowledge Graphs
Dipartimento di Informatica -- University of Bari Aldo Moro, Italy(巴里阿尔多莫罗大学计算机系);CILA -- University of Bari Aldo Moro, Italy(巴里阿尔多莫罗大学CILA)
针对知识图谱链接预测解释缺乏标准评估协议和基准资源的问题,提出可重用软件库GRainsaCK,通过模块化设计简化从模型训练到解释评估的全流程,并提供详尽文档与教程以促进重用。
2025-08-12 cs.AI
An Ontology-Enabled Approach For User-Centered and Knowledge-Enabled Explanations of AI Systems
IBM Research(IBM研究院);Center for Computational Health (CCH)(计算健康中心)
本论文提出解释本体与知识增强问答流水线,在临床场景中实现以用户为中心的知识增强解释,并探索组合多AI方法与多模态解释,以弥合模型可解释性与用户中心可解释性之间的差距。
2024-10-23 cs.AI
Parameterized Compilation Lower Bounds for Restricted CNF-formulas
CNRS(法国国家科学研究中心);CRIL(朗斯信息学研究所)
我们展示了无条件参数化的下界在该地区的知识编译,更具体地说,在可分解否定范式(DNNF),编码CNF-公式的几个图的宽度措施限制电路的大小。特别是,我们表明,-有CNF公式的大小$n$和模块化发病树宽度$k$的最小DNNF编码的大小$n^{Ω(k)}$,和-有CNF公式的大小$n$和发病邻域多样性$k$的最小DNNF编码的大小$n^{Ω(\sqrt{k})}$。这些结果补充了最近的上界编译CNF到DNNF和加强-定量和定性-已知的条件下限的cronze宽度。此外,他们表明,与许多图形问题不同,这里考虑的参数的行为与树宽明显不同。
2016-04-22 cs.AI cs.CC
KGExplainer: Towards Exploring Connected Subgraph Explanations for Knowledge Graph Completion
College of Computer Science and Electronic Engineering, Hunan University(湖南大学计算机与电子工程学院);AWS AI Research and Education(亚马逊云科技AI研究与教育部门);Georgia Institute of Technology(佐治亚理工学院);Amazon Web Services(亚马逊云科技)
针对KGE模型黑盒推断及现有解释信息量不足、难以定量评估的问题,本文提出模型无关的KGExplainer,用扰动贪心搜索连通子图并蒸馏评估器检验保真度,人工评估最优比例达83.3%。
2024-04-05 cs.AI
Visual Graph Reasoning via Knowledge Compilation
University of Electronic Science and Technology of China(电子科技大学);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院)
提出VGCompiler,通过表示编译器和操作编译器从图图像中恢复显式图表示并编译查询意图,利用强化学习训练,在多个基准上显著超越现有方法,并泛化至真实世界领域。
2026-09-22 cs.AI cs.CV cs.MM
Knowledge Graphs as Context Sources for LLM-Based Explanations of Learning Recommendations
University of Siegen(锡根大学)
本文提出利用知识图谱作为LLM提示的上下文来源,为学习推荐生成精确解释,降低幻觉风险,实验显示相比纯GPT模型在召回率和精确率上均有提升。
2024-03-05 cs.AI
Semantic Reasoning from Model-Agnostic Explanations
Jožef Stefan Institute(约热夫·斯特凡研究所);University of Nova Gorica(新戈里察大学);Jožef Stefan International Postgraduate School(约热夫·斯特凡国际研究生院)
随着黑盒模型的广泛采用,基于实例的\emph{post hoc}解释工具(如LIME和SHAP)变得越来越流行。这些工具产生解释,精确定位与给定预测相关的关键特征的贡献。然而,所获得的解释保持在原始特征级别,并且不一定能够被没有广泛领域知识的人类专家理解。我们提出ReEx(推理与解释),一种适用于任意实例级解释器(如SHAP)生成的解释的方法。通过使用本体形式的背景知识,ReEx以最不一般的概括方式概括实例解释。产生的符号描述是特定于单个类的,并根据解释器的输出提供概括。所导出的语义解释潜在地更具有信息性,因为它们在更一般的背景知识的上下文中描述关键属性,例如,在生物过程层面。我们展示了ReEx的表现在9个生物数据集,显示紧凑,语义解释,可以获得更多的信息比通用本体映射,直接链接到功能名称。ReEx是一个简单易用的Python库,与SHAP等工具兼容。据我们所知,这是直接将语义推理与当代模型解释方法相结合的第一种方法之一。这篇文章是预印本。完整版的doi是:10.1109/SAMI50585.2021.9378668
2021-06-29 cs.AI
Ordered {AND, OR}-Decomposition and Binary-Decision Diagram
在知识编译(KC)的背景下,我们研究了增加两种分解节点的有序二元决策图(OBDD)的效果,即,与-顶点和或-顶点,分别表示命题知识库的合取和析取分解。由此产生的知识编译语言被称为有序{AND,OR}-分解和二进制决策图(OAODD)。粗略地说,以前的几种语言可以被看作是特殊类型的OAODD,包括OBDD,与/或二元决策图(AOBDD),带有隐含文字的OBDD(OBDD-L),多级分解图(MLDD)。一方面,我们提出了一些家庭的算法,可以将一些片段的OAODD到其他人;另一方面,我们提出了一套丰富的多项式时间算法,执行逻辑运算。根据这些算法,以及理论分析,我们描述的空间效率和易处理的OAODD和它的一些片段相对于评价标准的KC地图。最后,给出了一个将负范式公式转换为OAODD的编译算法。
2014-10-27 cs.AI cs.LO
Explainers' Mental Representations of Explainees' Needs in Everyday Explanations
Paderborn University(帕德博恩大学)
本研究调查了日常技术解释中解释者对被解释者知识与兴趣的动态心理表征,发现其从早期模糊假设转向强烈信念,并揭示了知识从架构向相关性发展的规律,为自适应可解释系统的用户模型提供了实际指导。
2024-11-13 cs.AI
Semantic Explanations of Predictions
INRIA(法国国家信息与自动化研究所);Accenture Labs(埃森哲实验室);A*STAR Artificial Intelligence Initiative(新加坡科技研究局人工智能计划);Institute for InfoComm Research(信息通信研究院)
解释的主要目的是将知识传递给人类。这项工作提出了从机器学习模型的预测构建翔实的解释。受社会科学观察的启发,我们的方法从训练样本中选择了表现出对解释至关重要的特殊特征的数据点,例如,与分类预测相反的数据点和代表模型的数据点。随后,通过使用领域本体从所选数据点导出语义概念。这些概念被过滤和排名,以产生信息丰富的解释,提高人类的理解。我们的方法的主要特点是:(1)关于解释的知识是以本体概念的形式捕获的,(2)解释包括对比证据,除了正常的证据,(3)解释是用户相关的。
2018-05-27 cs.AI
LLM-Guided Monte Carlo Tree Search over Knowledge Graphs: Composing Mechanistic Explanations for Drug-Disease Pairs
Institute of Data Science, Department of Advanced Computing Sciences, Maastricht University(数据科学研究所,高级计算科学系,马斯特里赫特大学)
本文提出TESSERA框架,结合LLM和知识图谱进行多步解释提取,通过约束结构和反向传播实现长周期搜索,验证了其在药物机制解释中的有效性。
2026-05-10 cs.AI
Rewarding Explainability in Drug Repurposing with Knowledge Graphs
LASIGE, Faculty of Sciences, University of Lisbon(里斯本大学科学学院LASIGE);Sony AI(索尼人工智能);University of Trento(特伦托大学);Bruno Kessler Institute(布鲁诺·凯塞林研究所)
本文提出REx方法,利用知识图谱链接预测生成科学解释,通过奖励机制和领域本体学提升药物再利用的预测性能和解释质量。
2025-09-02 cs.AI
Generating Decision Structures and Causal Explanations for Decision Making
Universite Laval(拉瓦尔大学)
本文探讨了两个相关的问题,是中央发展自主决策代理,如机器人。这两个问题都需要从非结构化声明性知识的数据库中生成结构化表示,该数据库包括许多在问题上下文中不相关的事实和规则。第一个问题是如何从这样的数据库中生成一个结构良好的决策问题。第二个问题是如何从同一个数据库中生成一个结构良好的解释,解释为什么会出现某种可能世界。在本文中,它表明,产生适当的决策结构或解释的问题是棘手的,而不引入进一步的限制,在数据库中的知识。本文提出通过向数据库中添加事件间因果关系的知识来约束问题的搜索空间。为了确定最有用的因果知识,提出了确定性和不确定性宇宙的因果理论。一个使用这些因果约束的程序已经被用来产生对错误计划的解释。该程序显示了预期的效率增加的因果约束的引入。
2013-03-27 cs.AI
Compilation and Fast Model Counting beyond CNF
TU Wien(维也纳技术大学)
本文研究了布尔函数向d-DNNF的编译理论,提出了以关联树宽为参数的固定参数可解(FPT)编译方法,涵盖超越CNF的多种约束,并给出了一种无需编译的更高效FPT模型计数算法。
2025-02-01 cs.AI cs.CC cs.LO
Knowledge Graph Embedding in E-commerce Applications: Attentive Reasoning, Explanations, and Transferable Rules
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团);Zhejiang University & AZFT Joint Lab for Knowledge Engine(浙江大学与AZFT知识引擎联合实验室)
知识图谱(KGs)以三元组的形式表示事实,在许多应用中得到了广泛的应用。链接预测和规则归纳等推理任务对于知识库的开发非常重要。知识图谱嵌入(KGEs)将知识图中的实体和关系嵌入到连续向量空间中,已被提出用于这些推理任务,并被证明是有效和鲁棒的。但是,在实际工作中应用和部署KGE的可扩展性和可行性还没有得到很好的探索。在本文中,我们讨论和报告我们的经验,部署KGE在一个真正的领域应用:电子商业。我们首先确定了电子商业KG系统的三个重要的需求:1)注意推理,推理的几个目标关系的更多的关注,而不是所有的; 2)解释,提供解释的预测,以帮助用户和业务运营商理解为什么作出预测; 3)可转移的规则,产生可重用的规则,以加速部署一个KG到新的系统。而不存在的KGE可以满足所有这些desiderata,我们提出了一种新的,一个可解释的知识图谱注意力网络,使预测通过建模三元组之间的相关性,而不是纯粹依赖于它的头实体,关系和尾实体嵌入。它可以自动选择注意三元组进行预测,同时记录它们的贡献,从中可以很容易地提供解释,并可以有效地产生可转移的规则。我们的经验表明,我们的方法是能够满足所有这三个desiderata在我们的电子商业应用程序,并优于典型的基线数据集从真正的领域应用程序。
2021-12-16 cs.AI
An Explanation Mechanism for Bayesian Inferencing Systems
PAR Government Systems Corporation(PAR政府系统公司);Siemens Research and Technology laboratories(西门子研究与技术实验室)
解释工具是专家系统框架的一个特别重要的特征。这是一个传统的基于规则的专家系统框架有混合结果的领域。虽然关于控制的解释处理得很好,但需要有设施来产生关于知识库内容的更好的解释。本文通过研究事件对对称贝叶斯推理系统中感兴趣的变量的影响来解决解释问题。我们认为,在这种情况下运作的任何效果措施必须满足一定的属性。提出了这样一项措施。它形成了一个解释设施,允许用户的广义贝叶斯推理系统的知识库的意义问题的基础。详细描述了该设施。
2013-03-27 cs.AI
Distinguish Before Answer: Generating Contrastive Explanation as Knowledge for Commonsense Question Answering
Zhejiang University(浙江大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
提出CPACE模型,将检索的符号知识转化为对比解释以增强常识问答,在CSQA、QASC和OBQA数据集上取得SOTA或显著提升。
2023-05-21 cs.AI cs.CL
Towards Faithful Knowledge Graph Explanation Through Deep Alignment in Commonsense Question Answering
针对常识问答中知识图谱解释不忠实的问题,提出LM-KG保真度指标和LKDA对齐算法,在CommonsenseQA和OpenBookQA上显著提升解释保真度与模型性能。
2024-09-20 cs.AI cs.CL
Knowledge-based Transfer Learning Explanation
University of Oxford(牛津大学);INRIA(法国国家信息与自动化研究所);Accenture Labs(埃森哲实验室);University of Aberdeen(阿伯丁大学);Zhejiang University(浙江大学)
机器学习解释可以显著地促进机器学习在决策制定中的应用,但是当前方法的可用性在以人为中心的解释中受到限制,特别是对于迁移学习,这是一个重要的机器学习分支,旨在利用来自一个学习领域(即,一对数据集和预测任务)来增强另一学习域中的预测模型训练。在本文中,我们提出了一个基于本体的方法,以人为中心的解释迁移学习。首先提出了三种不同粒度的基于知识的解释证据,包括一般因素、特定叙述者和核心语境,然后利用局部本体和外部知识库进行推理。美国航班数据和DBpedia的评估表明,它们在解释航班起飞延误预测中特征表示的可移植性方面具有可信度和可用性。
2018-07-22 cs.AI cs.LG
Explanation as Question Answering based on Design Knowledge
Georgia Institute of Technology(佐治亚理工学院)
解释一个人工智能智能体需要了解它的设计和操作。一个悬而未决的问题是如何识别,访问和使用这些设计知识生成解释。许多在实践中使用的人工智能智能体,例如在教育环境中部署的智能辅导系统,通常都带有用户指南,解释代理做什么,如何工作以及如何使用代理。然而,很少有人真正详细阅读用户指南。相反,大多数用户会根据需要寻求问题的答案。在本文中,我们描述了一个问答代理(AskJill),使用用户指南的交互式学习环境(VERA)自动回答问题,从而解释了域,功能和操作VERA。我们提出了一个初步评估AskJill在VERA。
2021-12-16 cs.AI cs.HC
Evaluating the Alignment Between GeoAI Explanations and Domain Knowledge in Satellite-Based Flood Mapping
School of Geographical Sciences and Urban Planning, Arizona State University(地理科学与城市规划学院,亚利桑那州立大学)
本文提出ADAGE框架,用于评估GeoAI模型解释与领域知识的对齐程度,通过Channel-Group SHAP方法分析卫星洪水制图任务中解释的准确性。
2026-08-03 cs.AI cs.CV
Integrating Prior Knowledge in Post-hoc Explanations
Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);AXA(安盛);Polish Academy of Science(波兰科学院)
在可解释的人工智能(XAI)领域中,事后可解释性方法旨在向用户解释经训练的决策模型的预测。将先验知识整合到这种可解释性方法中旨在提高解释的可理解性,并允许适应每个用户的个性化解释。在本文中,我们建议定义一个成本函数,明确集成先验知识的可解释性目标:我们提出了一个一般框架的优化问题的事后可解释性方法,并表明用户的知识,从而可以集成到任何方法,通过添加一个兼容性条款的成本函数。我们在反事实解释的情况下实例化所提出的形式化,并提出了一种新的可解释性方法称为知识集成反事实解释(KICE),以优化它。本文进行了实验研究,在几个基准数据集,以表征反事实的情况下,KICE生成的实例,与参考方法相比。
2022-04-25 cs.AI cs.CL cs.LG