Guidelines for a Dynamic Ontology - Integrating Tools of Evolution and Versioning in Ontology
University of Bourgogne - Dijon（勃艮第-第戎大学）
本体论建立在概念上随时间演变的系统上。此外，构建本体的技术和语言也在发展。这导致了本体版本化和本体进化领域的大量研究。本文提出了一种新的方法来管理生命周期的本体结合版本化工具和演化过程。这个解决方案，称为VersionGraph，自创建以来就集成在源本体中，以便能够发展和版本化。变更管理与表示本体的模型密切相关。因此，我们专注于OWL语言，以考虑到的变化的影响，如OWL DL中指定的本体的逻辑一致性。
2012-08-08 cs.AI cs.SE
Ontology Revision based on Pre-trained Language Models
Nanjing University of Posts and Telecommunications（南京邮电大学）；Jilin University（吉林大学）；Southeast University（东南大学）
本文提出基于预训练语言模型的本体修订方法，通过定义四个评分函数和两种修订算法处理不可满足概念，在19个本体对上验证了有效性。
2023-12-26 cs.AI
Rail Topology Ontology: A Rail Infrastructure Base Ontology
Siemens AG Österreich（西门子奥地利股份公司）
铁路基础设施的工程项目通常涉及许多子系统，这些子系统需要对规划和建造的基础设施及其底层拓扑结构进行一致的查看。一致性通常通过在使用基于XML的数据格式和基于UML的面向对象模型的工具之间交换和验证数据来确保。通过公共拓扑模型对这些数据表示进行更紧密的对齐可以减少铁路基础设施工程工具的开发工作。公共语义模型也是成功采用铁路知识图谱的先决条件。基于RailTopoModel标准，我们开发了铁路拓扑本体作为一个模型来表示铁路基础设施的核心功能，在一个符合标准的方式。本文介绍了本体及其开发方法，并讨论了其适用于集成数据的铁路工程系统和其他来源的知识图谱。通过铁路拓扑本体，软件工程师和知识科学家拥有了一个基于标准的本体，用于表示铁路拓扑，以集成断开连接的数据源。我们将铁路拓扑本体用于我们的铁路知识图谱，并计划通过从现有数据交换标准导出的铁路基础设施本体对其进行扩展，因为许多此类标准使用与所提出的本体相同的基础模型，即，RailTopoModel。
2021-07-09 cs.AI
Towards Ontology Reshaping for KG Generation with User-in-the-Loop: Applied to Bosch Welding
Bosch Center for AI（博世人工智能中心）；University of Oslo（奥斯陆大学）；Nanjing University（南京大学）
知识图谱（KG）在广泛的应用中使用。由于工业中的数据量和多样性，KG生成的自动化是非常期望的。生成领域知识库的一个重要方法是将原始数据映射到给定的领域知识库模式，即领域本体，并根据领域本体构造实体和属性。然而，这种本体的自动生成是苛刻的，现有的解决方案往往不能令人满意。一个重要的挑战是本体工程的两个原则之间的权衡：面向知识和面向数据。前者规定本体应建模领域的一般知识，而后者强调反映数据的特殊性，以确保良好的可用性。我们通过我们的本体重塑方法来解决这一挑战，该方法将给定的领域本体转换为较小的本体，作为KG模式。领域本体可以被设计为面向知识的，KG模式覆盖了数据的特性。此外，我们的方法允许在循环中包含用户偏好的选项。我们展示了我们正在进行的本体重塑研究，并提出了一个评估使用真实的工业数据，有希望的结果。
2022-09-22 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
Towards an Ontology based integrated Framework for Semantic Web
Electronic Research Institute（电子研究所）；Al-Azhar University（爱资哈尔大学）
这种本体被广泛用于解决网络上的信息异构性问题，因为它们的能力，提供明确的意义的信息。它们成为以结构化方式进行知识表示的有效工具。对于同一个领域，总是有多个本体。此外，没有一个标准的方法来构建本体，有许多本体构建工具使用不同的本体语言。由于这些原因，本体之间的互操作性非常低。目前的本体工具大多使用函数来建立、编辑和推理本体。在大多数工具中没有包含用于合并异构领域本体的方法。本文提出了一种本体合并方法，用于从异构的可扩展置标语言（XML）数据源中构建一个全局本体，以捕获和维护XML数据源所能包含的所有知识
2013-05-30 cs.AI
Ontology of Card Sleights
Iowa State University（爱荷华州立大学）
我们提出了一个机器可读的运动写作的戏法的手与卡-一个“拉巴诺塔的卡魔术。“这个运动书写方案包含440种运动类别，似乎对1500多种出版物中出现的所有卡片技巧进行了分类。运动书写在$\mathcal{SROIQ}$（D）描述逻辑中被公理化，并被形式化地收集为卡片书写本体，这是扩展基本形式本体和信息书写本体的计算本体。Card Sleights的本体是用OWL DL（Web本体语言的描述逻辑片段）实现的。虽然本体论在历史上被用于在较低的粒度级别上进行分类，但纸牌戏法的算法性质允许我们一步一步地转录表演者的动作。最后，我们讨论了设计标准，我们用来确保本体可以访问和修改一个简单的点击和拖动界面。这可以允许具有卡片魔术知识但没有本体背景的用户进行数据库搜索和性能转换。
2019-03-20 cs.AI
Ontology-based Data Access: A Study through Disjunctive Datalog, CSP, and MMSNP
CNRS（法国国家科学研究中心）；Université Paris Sud（巴黎南大学）；UC Santa Cruz（加州大学圣克鲁兹分校）；University of Bremen（不来梅大学）；University of Liverpool（利物浦大学）
基于本体的数据访问涉及在本体提供的特定领域知识存在的情况下查询不完整的数据源。在这种设置中的中心概念是本体介导的查询，这是一个数据库查询与本体耦合。在本文中，我们研究了几类本体介导的查询，其中数据库查询被给定为某种形式的合取查询，本体被制定在描述逻辑或一阶逻辑的其他相关片段，如保护片段和一元否定片段。本文的贡献有三个方面。首先，我们描述了表达能力的本体介导的查询片段的析取数据。其次，我们建立了本体中介查询和约束满足问题（CSP）及其逻辑推广，MMSNP公式之间的密切联系。第三，我们利用这些连接，以获得新的结果（一）一阶重写和数据记录重写的本体为中介的查询，（ii）P/NP二分法本体为中介的查询，和（iii）查询包含问题的本体为中介的查询。
2013-06-06 cs.AI cs.DB
Ontology Matching Techniques: A Gold Standard Model
VIT University（韦洛尔理工学院）；EFREI（法国电子与计算机信息学院）
通常，本体匹配技术是在诸如结构、语义、语法、实例等的各种抽象级别上操作的非常不同类型的匹配器的组合。一般而言，期望在所有可能的抽象级别上采用匹配器的本体匹配技术在精度方面给出最佳结果，由于匹配机会的改进，以及如果我们忽视效率问题，则可以通过更好的计算资源（例如并行处理）来改进召回率和F度量。通过对本体匹配技术的模型分类，提出了一种金标准本体匹配模型。还基于金标准本体匹配模型定义了合适的度量标准。回顾了该领域最近的研究论文中指定的各种本体匹配技术，根据新提出的金标准模型对本体匹配技术进行分类，并计算了整个组的度量值。上述研究结果支持了提出的金标准本体匹配模型。
2018-11-26 cs.AI cs.DB
NCBO Ontology Recommender 2.0: An Enhanced Approach for Biomedical Ontology Recommendation
University of A Coruña（拉科鲁尼亚大学）；University of Montpellier（蒙彼利埃大学）
生物医学研究人员使用本体来用本体术语注释他们的数据，从而实现更好的数据集成和互操作性。然而，当前生物医学本体的数量、种类和复杂性使得研究人员难以确定哪些本体可以重新用于他们的特定需求。为了克服这个问题，2010年，国家生物医学本体中心（NCBO）发布了本体推荐器，这是一种接收生物医学文本语料库或关键字列表并建议适合引用指定术语的本体的服务。我们开发了一个新版本的NCBO本体推荐。该系统采用了一种新的推荐方法，根据以下四个标准来评估本体与生物医学文本数据的相关性：（1）本体覆盖输入数据的程度;（2）本体在生物医学界的接受程度;（3）本体类覆盖输入数据的详细程度;（4）本体类在生物医学领域的应用程度。以及（4）本体到输入数据的域的专门化。我们的评估表明，增强的推荐提供了更高质量的建议比原来的方法，提供更好的覆盖范围的输入数据，更详细的信息，他们的概念，增加专业化的领域的输入数据，并在社区中更大的接受和使用。此外，它还为用户提供了更多的解释性信息，以及不仅是单个本体，而且是本体组的建议。它还可以定制以适应不同场景的需求。Ontology Recommender 2.0结合了其前身的优势，并进行了一系列调整和新功能，以提高其可靠性和实用性。Ontology Recommender 2.0从NCBO BioPortal平台推荐了500多个生物医学本体，在那里它是公开的。
2017-05-25 cs.AI cs.IR
Combining Ontology Development Methodologies and Semantic Web Platforms for E-government Domain Ontology Development
Vaal University of Technology（瓦尔理工大学）；North-West University（西北大学）
电子政务的主要挑战之一是开发易于集成和互操作的系统，以便向公民提供无缝服务。近年来，基于本体的语义Web技术已经成为解决上述工程问题的一个很有前途的解决方案。然而，目前的研究实践语义发展在电子政务并不集中在现有的方法和平台开发政府领域本体的应用。此外，只有少数这些研究提供了详细的指导方针，从政府服务领域开发语义本体模型。本研究提出了一个案例研究相结合的本体构建方法和两个国家的最先进的语义Web平台，即Protege和Java Jena本体API的语义本体开发在电子政务。首先，采用Uschold和King本体构建方法的框架来构建描述政府服务领域语义内容的领域本体。然后，用UML半形式化地表示领域本体。最后，利用Protege和Jena API分别建立了领域本体的Web本体语言（OWL）和资源描述框架（RDF）表示，以支持其计算机处理。这项研究的目的是：（1）为电子政务开发人员，特别是发展中国家的开发人员提供在其电子政务项目中进行语义内容开发的详细指南;（2）加强电子政务中语义技术的采用。这项研究也会引起语义网开发新手的兴趣，他们可能会把它作为进一步研究的起点。
2011-04-26 cs.AI cs.CY
DLOLIS-A: Description Logic based Text Ontology Learning
DA-IICT（印度信息技术学院）
本体学习在过去的十年里一直是深入研究的主题。在这一领域的研究人员一直受到激励的可能性，自动建立一个知识库的顶部的文本文件，以支持推理为基础的知识提取。虽然这一领域的大多数工作主要是统计的（称为轻量级本体学习），但在从自然语言文本文档中进行公理化本体学习（称为重量级本体学习）方面没有进行太多尝试。与统计本体学习相比，重量级本体学习支持更精确的基于形式逻辑的推理。本文提出了一个良好的本体学习工具DLOL_（IS-A），它将英语IS-A语句映射成其等价的描述逻辑表达式，自动生成一对一致的T-box和A-box，从而形成规则（定义形式）和广义（公理形式）的描述逻辑本体。本文目前的研究范围仅限于IS-A句，排除了以下可能的结构：（i）隐含IS-A句，（ii）“Wh”IS-A疑问句。其他语言的细微差别，产生了语用学和认知的是-A句超出了本工作的范围。我们采用了黄金标准的本体学习评估选择IS-A丰富的维基百科文档。
2013-03-24 cs.AI
FOCA: A Methodology for Ontology Evaluation
UFAL（阿拉戈斯联邦大学）；UFPE（伯南布哥联邦大学）；USP（圣保罗大学）
本体建模是一项艰巨而耗时的任务。虽然方法是有用的本体论创建良好的本体，他们没有帮助的任务，评估本体的质量被重用。因此，在本体构建之后或重用之前，对本体的质量进行评估是非常必要的，但很少有研究仅仅给出一组标准和问题，而没有对本体进行评估的指导。评估一个本体的工作量非常大，因为要深入理解标准和问题，非常依赖评估者的专业知识。而且，评价还是很主观的。本研究提出一种新的本体评估方法，考虑到三个基本原则：i）它是基于目标，问题，度量方法的实证评估; ii）的目标的方法是基于知识表示的作用结合具体的评估标准; iii）每个本体的评估根据本体的类型。该方法进行了经验评估，使用不同的本体论和本体论的同一领域。本研究的主要贡献是：i）定义一个逐步的方法来评估本体的质量; ii）提出一个基于知识表示的角色的评价; iii）根据本体的类型明确的差异的评价iii）一个问卷调查，以评估本体; iv）一个统计模型，自动计算的本体的质量。
2017-09-02 cs.AI
Realization of Ontology Web Search Engine
本文描述了本体Web搜索引擎的实现。本体Web搜索引擎既可以作为独立的项目实现，也可以作为其他项目的一部分实现。本文的主要目的是介绍作为语义网专家系统一部分的本体网搜索引擎的实现细节，并给出本体网搜索引擎的运行结果。语义网专家系统将能够处理来自Web的本体，从这些本体生成规则并开发其知识库。
2017-02-22 cs.AI cs.IR
Smart Mobility Ontology: Current Trends and Future Directions
Ryerson University（瑞尔森大学）
本体是对领域中概念及其相互关系的明确的、形式化的表示。运输科学是一个广泛的领域，涉及各种复杂和相互关联的运输系统，如陆地，航空和海上运输的流动性，并可以从本体开发中获得相当大的优势。虽然在最近的文献中可以找到一些研究，但存在很大的潜力来改进和开发一个全面的智能移动本体。本章旨在介绍本体开发的不同方面，如本体开发方法，语言，工具和软件。随后，它介绍了目前可用的移动性相关的本体开发跨不同的领域，如交通，智能城市，货物移动，传感器。确定了现有本体的当前差距，并提出了本体开发的未来方向，可以将即将到来的自动驾驶和联网车辆，移动性即服务（MaaS）以及其他颠覆性的交通技术和服务结合起来。
2020-12-15 cs.AI
OntoRich - A Support Tool for Semi-Automatic Ontology Enrichment and Evaluation
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）
本文介绍了OntoRich框架，一个支持工具，半自动本体充实和评价。WordNet用于从RSS流中提取动态本体丰富的候选者。通过与OpenNLP的集成，系统可以对RSS新闻进行语法分析。丰富的本体进行评估，对几个定性指标。
2013-04-19 cs.AI
The Landscape of Ontology Reuse Approaches
University of Bologna（博洛尼亚大学）；Institute of Cognitive Sciences and Technologies, National Research Council（国家研究委员会认知科学与技术研究所）
本体重用的目的是促进互操作性和促进知识重用。当引导一个新项目时，本体工程师通常会评估几种方法。然而，目前的做法往往是主观的，逐案决定的动机，这妨碍了建议行为的定义。在本章中，我们认为，到目前为止，还没有有效的解决方案，支持开发人员的决策过程中，决定一个本体重用策略。目标有两个：（i）调查目前的方法本体重用，提出动机，策略，优点和限制，（ii）分析两个代表性的方法，并讨论其优点。
2020-11-25 cs.AI
Physics-based simulation ontology: an ontology to support modelling and reuse of data for physics-based simulation
Autodesk Research（欧特克研究中心）
本文提出 Physics-based Simulation Ontology（PSO），通过扩展 BFO 区分物理现象建模与求解器输入信息，并以两个仿真求解器的案例验证其跨求解器数据复用能力。
2025-03-14 cs.AI
Development of a VO Registry Subject Ontology using Automated Methods
National Optical Astronomy Observatory（国家光学天文台）
我们报告我们的初步工作，自动生成一个域本体使用主题领域的虚拟天文台注册表中的资源。初步结果与目前使用的更广义的本体学习软件相当。我们希望能够完善我们的解决方案，以提高生成的本体的深度和广度。
2015-02-20 astro-ph.IM cs.AI
The Arabic Ontology -- An Arabic Wordnet with Ontologically Clean Content
Birzeit University（比尔宰特大学）
我们提出了一个正式的阿拉伯语wordnet的基础上精心设计的本体，在此称为阿拉伯语本体。本体论提供了阿拉伯语术语所传达的概念的正式表示，其内容是在考虑到本体论分析的情况下构建的，并尽可能地以科学进步和严格的知识来源为基准，而不是像词典通常那样仅以说话者的信念为基准。进行了全面的评价，从而表明，目前版本的顶级本体可以顶部的阿拉伯语的含义。本体目前包括大约1,300个经过充分研究的概念，以及11,000个经过部分验证的概念。该本体可通过词典搜索引擎（https：//www.example.com）查阅和搜索，该引擎还包括大约150个阿拉伯语-多种语文词典，目前正在利用该本体对这些词典进行映射和充实。ontology.birzeit.edu本体与Princeton WordNet，Wikidata和其他资源完全映射。
2022-05-19 cs.AI cs.CL cs.IR
The Bag Semantics of Ontology-Based Data Access
University of Oxford（牛津大学）
基于本体的数据访问（OBDA）是通过共享本体集成和查询多个数据源的流行方法。使用映射将本体链接到源，映射将数据上的视图分配给本体谓词。出于OBDA系统支持数据库风格的聚合查询的需要，我们提出了一个包的OBDA语义，在由映射定义的视图中的重复元组被保留，在标准数据库的情况下。我们表明，袋语义使OBDA中的合取查询回答在数据复杂度上是困难的。为了恢复易处理性，我们考虑了一个相当一般的一类查询，并显示其可重写的概括的关系演算袋。
2017-05-19 cs.AI
WOAH: Preliminaries to Zero-shot Ontology Learning for Conversational Agents
Telefónica R&D（西班牙电信研发部门）；Universidad Politécnica de Madrid（马德里理工大学）
本文提出了加权本体近似启发式（WOAH），一种新的zero-shot方法，本体估计会话代理开发环境。该方法提取动词和名词分别从数据中提取的依赖关系，并应用相似性和稀疏性度量生成一个本体估计可配置的泛化水平。
2017-09-19 cs.AI cs.CL
A Markov Model for Ontology Alignment
The University of Georgia（佐治亚大学）
可用数据的爆炸式增长以及集成和利用这些数据的需求导致了对数据集成技术的迫切兴趣。在语义网技术中，本体对齐是异构知识库集成的关键步骤。在本文中，我们提出了边缘置信度技术，修改和改进流行的相似性洪水技术的本体对齐。
2013-04-20 cs.AI cs.DB
Ontology Reuse: the Real Test of Ontological Design
Warsaw University of Technology（华沙理工大学）；Systems Research Institute, Polish Academy of Sciences（波兰科学院系统研究所）；University of Craiova（克拉约瓦大学）
在实践中重用本体仍然是非常具有挑战性的，特别是当多个本体（联合）参与。此外，尽管最近的进展，实现系统的本体质量保证仍然是一个难题。在这项工作中，质量的30个生物医学本体，和计算机科学本体进行了调查，从一个实际的用例的角度来看。特别审查给予跨本体的参考，这是至关重要的结合本体。提出了各种方法来检测潜在的问题，包括自然语言处理和网络分析。此外，提出了一些改进本体及其质量保证过程的建议。有人认为，虽然先进的本体质量保证的自动工具是本体改进的关键，他们不会完全解决问题。本体重用是不断验证和改进本体质量的最终方法，也是指导本体未来发展的根本途径。具体来说，多个问题可以主要通过实用和多样化的本体重用场景来发现和解决。
2022-07-06 cs.AI cs.CL cs.SE
Contextual Semantic Embeddings for Ontology Subsumption Prediction
The University of Manchester（曼彻斯特大学）；Zhejiang University（浙江大学）；City, University of London（伦敦城市大学）；University of Oslo（奥斯陆大学）；University of Oxford（牛津大学）
自动化本体构建和策展是知识工程和人工智能中一项重要但具有挑战性的任务。通过上下文语义嵌入等机器学习技术进行预测是一个很有前途的方向，但相关研究仍处于初步阶段，尤其是对Web本体语言（OWL）中的表达型本体。在本文中，我们提出了一种新的包容预测方法命名为BERTSubs的OWL本体类。它利用预先训练的语言模型BERT来计算类的上下文嵌入，其中提出定制模板来并入类上下文（例如，相邻类）和逻辑存在性限制。BERTSubs能够预测多种包含者，包括来自同一本体或另一本体的命名类，以及来自同一本体的存在性限制。对三个不同包容任务的五个真实世界本体的广泛评估表明了模板的有效性，BERTSubs可以显着优于使用（文字感知）知识图谱嵌入，非上下文词嵌入和最先进的OWL本体嵌入的基线。
2023-03-18 cs.AI cs.CL
Towards a Forensic Event Ontology to Assist Video Surveillance-based Vandalism Detection
Queen Mary University of London（伦敦玛丽女王大学）；ISTI-CNR（意大利国家研究委员会信息科学与技术研究所）
事件的检测和表示是自动监控系统中的关键要素。我们在这里提出了一个本体表示复杂的语义事件，以协助基于视频监控的故意破坏检测。本体包含丰富的和明确的事件词汇表的定义，旨在帮助法医分析客观地识别和表示复杂的事件。然后，我们的本体论被应用于2011年发生的伦敦骚乱的背景下。我们还报告进行的实验，以支持复杂的犯罪事件从视频数据的分类。
2019-03-21 cs.AI eess.IV
Commonsense Ontology Micropatterns
Kansas State University（堪萨斯州立大学）；Wright State University（莱特州立大学）
针对 MOMo 缺乏可直接使用的本体设计模式这一问题，本文利用 LLM 的常识知识整理 104 个常见名词模式，构建完全标注且可与 MOMo 配合使用的模块化本体设计库。
2024-02-28 cs.AI cs.LO
WebProtégé: A Cloud-Based Ontology Editor
Stanford University（斯坦福大学）
我们提出WebProtégé，一个工具来开发本体表示的Web本体语言（OWL）。WebProtégé是一个基于云的应用程序，允许用户协作编辑OWL本体，它可以在https://webprotege.stanford.edu上使用。WebProtégeé目前拥有超过68，000个OWL本体项目，并拥有超过50，000个用户帐户。在本文中，我们详细介绍了最新版本的WebProtégé的主要新功能。
2019-03-06 cs.AI cs.IR
Preliminaries of a Space Situational Awareness Ontology
University of Maryland（马里兰大学）；APUS/AMU（美国公立大学系统/美国军事大学）；Center for Space Standards and Innovation, Analytical Graphics Inc.（分析图形公司空间标准与创新中心）
空间态势感知对于国际安全和保障以及空间旅行的未来至关重要。通过改善SSA数据共享，我们改善了全球SSA。计算本体论可以为实现这一目标提供一种手段。本文开发了空间态势感知领域的本体，并采取步骤创建空间态势感知本体。本体论的目标，要求和desiderata概述，并描述了SSA域和学科的本体论。本体论的目的包括：探索本体论开发和工程的潜力，以便（一）表示空间态势感知数据、一般领域知识、物体和关系，（二）注释和表达这些数据的含义，以及（三）促进空间态势感知行为者、轨道碎片数据库、空间物体目录和其他空间态势感知数据储存库之间的空间态势感知数据交换和整合。通过数据和知识共享改善空间态势感知，我们可以（iv）扩大我们对空间环境的科学知识，（v）提高我们防御近地天体的能力，以及（vi）确保未来几代人的安全空间飞行。
2016-06-23 cs.AI cs.DB
Mapping Biomedical Ontology Terms to IDs: Effect of Domain Prevalence on Prediction Accuracy
Computer Science Department（计算机科学系）；Missouri State University（密苏里州立大学）；Kummer Institute Center for AI and AS（Kummer研究所人工智能与自动系统中心）；Missouri University of Science & Technology（密苏里科技大学）；Cooperative Engineering Program（合作工程计划）
研究评估LLM将HPO、GO和UniProtKB术语映射到本体ID的能力，发现ID文献流行度显著预测准确率，但HUGO基因符号因高度词汇化而例外。
2025-05-12 cs.AI cs.CL
Towards the Ontology Web Search Engine
本文提出了本体Web搜索引擎的设计方案。本文的主要目的是开发这样一个项目，可以很容易地实现。本体网络搜索引擎是一种在网络中查找和索引本体的软件。OWL（Web Ontology Languages）是指本体，它们是SWES（Semantic Web专家系统）运行所必需的。SWES是一个专家系统，它将使用从Web上找到的本体，从中生成规则，并将用这些生成的规则补充其知识库。预计SWES将作为一般用户的通用专家系统。
2015-05-04 cs.AI cs.DL cs.IR
Machine Learning Techniques with Ontology for Subjective Answer Evaluation
Panjab University（旁遮普大学）
英语论文的计算机评估是使用机器学习技术，如潜在语义分析（LSA），广义LSA，双语评估替代和最大熵。本体是领域知识的概念图，可以提高这些技术的性能。使用本体使评估过程的整体存在的关键字，同义词，正确的词组合和覆盖的概念可以检查。在本文中，上述技术的实现与本体论和无共同的输入数据组成的计算机科学的技术答案进行了测试。设计并开发了计算机图形学领域本体。用于实现的软件包括Java程序设计语言和工具，如MATLAB，Protégé等。测试使用计算机图形学中的10个问题，每个问题有60个答案。对结果进行了分析，得出了使用本体的结果更准确的结论。
2016-05-09 cs.AI cs.CL cs.IR
Poison Attack and Defense on Deep Source Code Processing Models
Peking University（北京大学）；Zhejiang University（浙江大学）；Huawei（华为）
在软件工程社区，深度学习（DL）最近已被应用于许多源代码处理任务。由于DL模型的可解释性较差，因此需要仔细检查其安全漏洞。最近，研究人员发现了一种紧急的安全威胁，即毒药攻击。攻击者的目标是通过使用有毒样本毒害训练数据，向模型中注入阴险的后门。中毒模型在干净的输入下正常工作，但在嵌入触发器的中毒输入下会产生有针对性的错误结果。通过激活后门，攻击者可以在与安全相关的场景中操纵中毒模型。为了验证现有的源代码深度处理模型对毒药攻击的脆弱性，我们提出了一个名为CodePoisoner的源代码毒药攻击框架作为一个强大的假想敌。CodePoisoner可以通过用毒药样本毒害训练数据来产生可编译的甚至人类无法察觉的毒药样本和攻击模型。为了抵御毒药攻击，我们进一步提出了一种有效的防御方法CodeDetector来检测训练数据中的毒药样本。CodeDetector可以应用于多种模型架构，有效抵御多种毒药攻击方式。我们将CodePoisoner和CodeDetector应用于三个任务，包括缺陷检测，克隆检测和代码修复。结果表明：（1）CodePoisoner在误导模型中对目标错误行为的攻击成功率较高（最高100%）;验证了现有的源代码深度处理模型对毒药攻击具有很强的脆弱性。(2)CodeDetector通过在训练数据中检测（最大：100%）中毒样本，有效地防御多种中毒攻击方法。我们希望这项工作可以帮助从…
2022-10-31 cs.AI cs.SE
Hidden Poison: Machine Unlearning Enables Camouflaged Poisoning Attacks
University of Waterloo（滑铁卢大学）；Cornell University（康奈尔大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出伪装数据投毒攻击，利用机器遗忘触发重训练时释放恶意影响，并通过构造伪装数据点掩盖投毒效果，在多个数据集上实现干净标签定向攻击。
2024-07-31 cs.AI cs.CR cs.CY
KEPo: Knowledge Evolution Poison on Graph-based Retrieval-Augmented Generation
本文提出KEPo攻击方法，针对图检索增强生成系统，通过演化知识路径注入毒化信息，提升攻击效果，实验显示其在单目标和多目标攻击中均表现优异。
2026-03-15 cs.AI cs.CR cs.LG
MetaPoison: Practical General-purpose Clean-label Data Poisoning
University of Maryland（马里兰大学）；University of Siegen（锡根大学）；United States Naval Academy（美国海军学院）
数据投毒-攻击者通过对训练数据的子集进行不可察觉的更改来控制模型的过程-是神经网络环境中的一种新兴威胁。针对数据投毒神经网络的现有攻击依赖于手工制作的算法，因为直接通过双层优化来解决中毒问题通常被认为是深度模型难以处理的。我们提出了MetaPoison，这是一种一阶方法，通过元学习和工艺毒药来近似双层问题，从而欺骗神经网络。MetaPoison是有效的：它比以前的清洁标签中毒方法有很大的优势。MetaPoison是健壮的：为一个模型制作的中毒数据可以传输到具有未知训练设置和架构的各种受害者模型。MetaPoison是通用的，它不仅适用于微调场景，还适用于从头开始的端到端训练，到目前为止，这对于使用深度网络的清洁标签攻击来说是不可行的。MetaPoison可以实现任意的对手目标--比如使用一个类别的毒药来使目标图像贴上另一个任意选择的类别的标签。最后，MetaPoison在现实世界中发挥作用。我们首次展示了在黑盒Google Cloud AutoML API上训练的模型的成功数据投毒。代码和预制毒药提供在https://github.com/wronnyhuang/metapoison
2021-02-21 cs.AI cs.CR cs.CV
Poison Forensics: Traceback of Data Poisoning Attacks in Neural Networks
University of Chicago（芝加哥大学）
在对抗性机器学习中，针对深度学习系统攻击的新防御通常在发布后不久就被更强大的攻击所破坏。在这种情况下，取证工具可以为现有防御提供有价值的补充，通过追溯成功的攻击到其根本原因，并提供缓解措施以防止未来发生类似攻击。在本文中，我们描述了我们在开发一种用于深度神经网络上的毒药攻击的取证追溯工具方面所做的努力。我们提出了一种新的迭代聚类和修剪解决方案，修剪“无辜”的训练样本，直到所有剩下的是一组有毒的数据负责的攻击。该方法根据训练样本对模型参数的影响对训练样本进行聚类，然后使用一种有效的数据去学习方法来修剪无辜的聚类。我们经验证明了我们的系统对三种类型的脏标签（后门）毒药攻击和三种类型的干净标签毒药攻击的有效性，跨计算机视觉和恶意软件分类领域。我们的系统在所有攻击中都达到了98.4%的准确率和96.8%的召回率。我们还表明，我们的系统是强大的，对四个反取证措施，专门设计来攻击它。
2022-06-15 cs.AI cs.CR
Energy-Latency Attacks to On-Device Neural Networks via Sponge Poisoning
Monash University（莫纳什大学）；Northwestern Polytechnical University（西北工业大学）
本研究将海绵投毒攻击扩展至设备端场景，提出攻击流水线模拟流式推理，实验证明其能有效污染带内置加速器的移动处理器，并强调需改进防御机制。
2023-05-11 cs.AI cs.AR cs.CR
When and Where do Data Poisons Attack Textual Inversion?
College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学，新加坡）；Rapid-Rich Object Search (ROSE) Lab, Nanyang Technological University, Singapore（快速丰富对象搜索（ROSE）实验室，南洋理工大学，新加坡）
该研究系统分析了投毒攻击文本反转的时机与位置，提出语义敏感度图可视化方法，揭示扩散模型时间步学习偏差等规律，并提出含三组件的安全区训练防御，有效提升文本反转抗投毒鲁棒性与生成质量。
2025-09-03 cs.AI cs.CR
