Model Change for Description Logic Concepts
University of Oslo（奥斯陆大学）；Cardiff University（卡迪夫大学）
本文研究了描述逻辑概念在模型变更中的三种类型：移除、接收和修订，分析了EL和ALC逻辑中这些操作的兼容性及修订的复杂性。
2026-03-05 cs.AI cs.LO
A Cookbook for Temporal Conceptual Data Modelling with Description Logics
Free University of Bozen-Bolzano（博尔扎诺自由大学）；Birkbeck, University of London（伦敦大学伯贝克学院）
我们设计了适用于时态概念数据模型推理的时态描述逻辑，并研究了它们的计算复杂性。我们的形式主义是基于DL-Lite逻辑与三种类型的概念包含（范围从原子概念包含和不相交的完整布尔），以及基数约束和角色包含。在时间维度上，它们捕获未来和过去的时间操作符的概念，灵活和刚性的角色，操作符的“总是”和“一些时间”的角色，数据断言的特定时刻的时间和全球概念的包容性。这些逻辑被解释为对象域和时间流（Z，<）的笛卡尔积，满足恒定域假设。我们证明，我们的时间描述逻辑（它可以捕捉生命周期基数和定性或定量的进化约束）最具表现力的结果是不可判定的。然而，通过省略概念/角色上的一些时态运算符或通过限制概念包含的形式，我们获得了复杂度介于PSpace和NLogSpace之间的逻辑。这些积极的结果是通过减少到命题时态逻辑的各种子句片段，这开辟了一条道路，采用命题或一阶时态证明推理的时间数据模型。
2014-05-02 cs.AI cs.LO
Efficient Concept Induction for Description Logics
Wright State University（莱特州立大学）
概念归纳是指创建复杂描述逻辑类描述的问题（即，TBox公理）的实例（即，ABox数据）。在本文中，我们特别关注的情况下，既有一组积极的和一组消极的情况下，并寻求复杂的类表达式下，积极的，但不是消极的例子。概念归纳已经在本体工程中找到了应用，但是现有的算法在某些情况下具有基本的性能问题，主要是因为通常需要大量的外部描述逻辑推理机的调用。在本文中，我们提出了一个新的算法，这个问题大大减少了所需的推理机调用的数量。虽然这是在一个更有限的遍历的搜索空间的代价，我们表明，我们的方法提高了执行时间高达几个数量级，而输出的正确性，测量的输入实例的正确覆盖量，在许多情况下仍然相当高。因此，我们的方法应该为现有系统提供一个强有力的替代方案，特别是在其他系统非常缓慢的情况下。
2018-12-08 cs.AI cs.LO
Signature-Based Abduction with Fresh Individuals and Complex Concepts for Description Logics (Extended Version)
Technische Universität Dresden（德累斯顿工业大学）
给定一个知识库和一个观察作为一组事实，ABox溯因旨在计算一个假设，当添加到知识库时，足以引起观察。在基于签名的ABox绑架中，进一步要求该假设仅使用给定集合中的名称。这种形式的溯因可以应用于诊断、知识库修复或解释缺失的蕴涵。只有当我们承认使用新的个体和/或从给定签名构建的复杂概念时，给定观察的假设才可能存在，这是迄今为止大多数ABox绑架方法不支持或仅支持限制的。在本文中，我们调查的计算复杂性的这种形式的绑架-允许新鲜的个人，复杂的概念，或两者兼而有之-为各种描述逻辑，并给出大小界限的假设，如果它们存在。
2021-05-01 cs.AI cs.LO
Description Logics Go Second-Order -- Extending EL with Universally Quantified Concepts
University of Ulm（乌尔姆大学）
本文提出描述逻辑EL的全称量化概念扩展，定义模式与二阶两种语义，证明有用片段中两种语义结论一致，并给出多项式可判定性，可表达角色链公理等。
2023-08-29 cs.AI cs.LO
Conceptual Knowledge Markup Language: An Introduction
Washington State University（华盛顿州立大学）
概念知识置标语言（CKML）是XML的一种应用。CKML的早期版本完全遵循概念知识处理（CKP）的哲学，这是一种原则性的知识表示和数据分析方法，“提倡概念知识处理的方法和工具，支持人们的理性思考，判断和行动，并促进批判性讨论。CKML的新版本继续遵循这种方法，但也结合了信息流（IF）的各种原则，见解和技术，分布式系统的逻辑设计。除此之外，这允许不同的话语社区将他们自己的信息结构（如在逻辑理论中编码的）与共享共同通用本体的其他社区的信息结构进行比较。CKML融合了概念格和形式背景的CKP思想，以及分类（=形式背景）、infomorphism、理论、解释和局部逻辑的IF思想。本体置标语言（OML）是CKML的一个子集，它遵循概念图（CG）的原理和思想，是一种独立的置标语言。OML用于将元数据的规范和公理构造成本体。OML融合了概念、概念关系、概念图、概念上下文、参与者和本体等CG思想。从OML到CKML的过程是概念缩放过程，即本体结构化知识到概念结构化知识的解释转换。
2018-10-10 cs.AI cs.NI
A Semantic Similarity Measure for Expressive Description Logics
提出了一种完全语义的度量方法，该方法能够计算概念描述之间、概念描述与个体之间或以表达性描述逻辑表达的个体之间的相似度值。它适用于符号描述，尽管它使用数值方法进行演算。考虑到描述逻辑是本体知识表示和推理的理论框架，该方法可以有效地应用于语义Web领域的凝聚和分割聚类任务。
2009-11-26 cs.AI cs.LO
Infrastructure for the representation and electronic exchange of design knowledge
本文发展了知识的概念和它的交流使用语义Web技术。它指出知识不仅仅是信息，因为它体现了意义，即语义和语境。这些特征将影响我们表示和处理知识的方法。为了被采用，开发的系统需要简单，并使用标准。本文的目标是找到标准来建模知识，并与其他人交换。因此，我们建议使用UML模型对知识进行建模，以显示图形表示，并将其与XML交换，以确保低成本的可移植性。我们引入本体的概念，组织知识和促进知识交流。建议已通过实施笔的设计知识的应用程序进行了测试。
2018-10-31 cs.AI cs.MA
Learning Permutation-Invariant Embeddings for Description Logic Concepts
Paderborn University（帕德博恩大学）
概念学习涉及从背景知识和输入示例中学习描述逻辑概念。我们的目标是学习一个涵盖所有正面例子的概念，而不是涵盖任何负面例子。这个非平凡的任务通常被表述为在无限准序概念空间内的搜索问题。虽然国家的最先进的模型已经成功地应用于解决这个问题，他们的大规模应用已严重阻碍，由于他们的过度探索，导致不切实际的运行时。在这里，我们提出了一个补救措施，这一限制。我们重新制定的学习问题作为一个多标签分类问题，并提出了一个神经嵌入模型（NERO），学习排列不变的嵌入的例子集量身定制的预测$F_1$分数预先选定的描述逻辑概念。通过以预测得分的降序排列这些概念，可以在很少的检索操作内检测到可能的目标概念，即，不要过度探索。重要的是，排名靠前的概念可以用于在概念空间的多个有利区域中开始最先进的符号模型的搜索过程，而不是在最一般的概念$\top$中开始它。我们在5个基准数据集上进行的770个学习问题的实验坚定地表明，NERO在$F_1$得分，探索概念的数量和总运行时间方面显着（p值<1%）优于最先进的模型。我们提供了我们的方法的开源实现。
2023-03-03 cs.AI cs.LG cs.LO
Temporal Description Logic for Ontology-Based Data Access (Extended Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Liverpool（利物浦大学）；Birkbeck, University of London（伦敦大学伯贝克学院）
我们的目标是调查基于本体的数据访问时间的有效性时间和本体能够时间概念建模的时态数据。为此，我们设计了一个时态描述逻辑，TQL，扩展了标准的本体语言OWL 2 QL，提供了基本的手段，时间概念建模，并确保一阶重写适当定义的数据实例的有效期的合取查询。
2013-04-30 cs.AI cs.LO
Reasoning in the Description Logic ALC under Category Semantics
Université Sorbonne Paris Nord（索邦巴黎北大学）；INSERM（法国国家健康与医学研究院）
本文提出了一种用范畴语言用一般的T盒重新表述描述逻辑$\mathcal{ALC}$的通常的集合论语义。在此设置中，$\mathcal{ALC}$概念表示为对象，概念包含表示为箭头，成员关系表示为类别的对象和箭头上的逻辑量词。这种基于类别的语义提供了$\mathcal{ALC}$的语义的更模块化的表示。这个特性允许我们通过去掉存在性和普遍性限制之间的相互作用来定义$\mathcal{ALC}$的子逻辑，这将导致空间中的指数复杂度。这样一个子逻辑是不可定义的，在通常的集合论语义，我们表明，这个子逻辑是{ \sc{PSPACE} }，提出了一个确定性的算法检查概念可满足性，它运行在多项式空间。
2022-05-14 cs.AI cs.LO
BitSim: An Algebraic Similarity Measure for Description Logics Concepts
在本文中，我们提出了一个代数相似性度量σBS（BS代表BitSim）分配语义相似性得分ALCH+描述逻辑（DL）的表达片段的概念定义。我们定义了一个代数解释函数I_B，它将一个概念定义映射到一个唯一的字符串（ω_B），该字符串（ω_B）被称为位码），该字符串（ω_B）在属于L_B的11个符号的字母表上，L_B是P B上的语言。IB与DL的传统模型理论解释具有语义对应性。然后定义L_B上的σ_BS。对I_B和σ_BS作了详细的分析。
2015-03-19 cs.AI
A Description Logic Framework for Commonsense Conceptual Combination Integrating Typicality, Probabilities and Cognitive Heuristics
ICAR-CNR, Istituto di Calcolo e Reti ad Alte Prestazioni（意大利国家研究委员会高性能计算与网络研究所）
我们提出了一个典型性的非单调描述逻辑，它能够解释原型概念的概念组合现象。所提出的逻辑依赖于典型性ALC TR的逻辑，其语义是基于理性闭包的概念，以及概率描述逻辑的分布式语义，并配备了人类用于概念组合的认知启发式。我们首先通过典型包含扩展了典型ALCTR的逻辑，其直观含义是“典型Cs是Ds的事实存在概率p”。在分布式语义中，我们定义了不同的场景，只包含一些典型性包含，每一个都有一个合适的概率。然后，我们专注于这些情况下，其概率属于一个给定的和固定的范围，我们利用这种情况下，以归因于典型的属性，以获得两个原型概念的组合的概念C。我们还表明，推理建议的描述逻辑是EXPTIME完成的基础ALC。
2019-08-12 cs.AI
Clustering Concept Chains from Ordered Data without Path Descriptions
Distributed Computing Systems（分布式计算系统公司）
本文描述了一个过程，聚类的概念链从数据随机提供给一个评估系统。有许多规则或指导方针可以帮助系统更准确地确定哪些概念属于特定的链，哪些不属于，但是应该可以以通用的方式编写这些规则或指导方针。该机制还使用没有任何分层路径信息的平面结构，其中两个概念之间的链接在概念本身的级别上进行。它不需要相关的元数据，而是使用一种简单的计数机制。关键是对概念本身以及它所属的组或链进行计数。为了测试该机制的可能成功性，从较大本体中随机抽取的概念链部分被呈现给系统，但每次仅以2个概念的深度呈现。也就是-根概念加上一个与之相关联的概念。结果表明，这仍然可以导致非常可变的结构正在形成，也可以容纳一定程度的随机性。
2014-03-04 cs.AI
SAT-Based PAC Learning of Description Logic Concepts
ILLC, University of Amsterdam（阿姆斯特丹大学语言、逻辑与计算研究所）；Leipzig University（莱比锡大学）；Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI)（可扩展数据分析与人工智能中心（ScaDS.AI））；TU Dortmund University（多特蒙德工业大学）
提出有界拟合方案用于本体存在下的描述逻辑概念学习，提供PAC泛化保证，并实现基于SAT的SPELL系统，性能优于现有学习器。
2023-05-15 cs.AI
Constructive Interpolation and Concept-Based Beth Definability for Description Logics via Sequents
Institute of Artificial Intelligence, Technische Universität Dresden（德累斯顿工业大学人工智能研究所）
本文提出基于矢列系统的构造性方法，首次证明高表达力描述逻辑RIQ具有基于概念的Beth可定义性，并可从证明中计算插值式以提取隐式概念的显式定义。
2024-10-18 cs.AI cs.DB cs.LO
A Neutrosophic Description Logic
描述逻辑（DL）是用于管理结构化知识的适当的、广泛使用的逻辑。它们允许对个体和概念进行推理，即具有共同属性的个体集合。通常，DL仅限于处理清晰的、定义良好的概念。也就是说，对于这些概念，个体是否是它的一个实例的问题是yes/no question。现实世界中遇到的概念往往没有精确定义的成员标准：我们可以说，一个个体只是在某种程度上是一个概念的实例，这取决于个体的属性。处理这种模糊概念的DL被称为模糊DL。为了处理模糊的、不完全的、不确定的和不一致的概念，我们需要扩展模糊DL，将经典DL与经验逻辑相结合。特别是，概念变得模糊（这里模糊意味着模糊，不完整，不确定和不一致），因此支持对模糊概念的推理。我们将定义它的语法、语义，并描述它的属性。
2008-03-14 cs.AI
Bounded Fitting for Expressive Description Logics
Leipzig University and ScaDS.AI Center Dresden/Leipzig（莱比锡大学和ScaDS.AI中心德累斯顿/莱比锡）；TU Dortmund University（德累斯顿理工大学）；Center for Trustworthy Data Science and Security, University Alliance Ruhr（可信数据科学与安全中心，鲁尔大学联盟）
本文研究了在扩展ALC的表达式描述逻辑中，受限适配方法的理论性质和实现，通过SAT求解器实现，并与现有概念学习器比较，展示了其在复杂概念学习中的实用性。
2026-05-08 cs.AI
Description Logic EL++ Embeddings with Intersectional Closure
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
许多本体，特别是在生物医学领域，是基于描述逻辑EL++。通过分布式表示学习，已经做出了一些努力来解释和利用EL++本体。具体来说，EL++理论中的概念被表示为n维嵌入空间中的n个球。然而，当使用n-ball来表示概念时，相交闭包并不满足，因为两个n-ball的交集不是n-ball。这导致了在测量概念之间的距离和推断概念之间的等价性时的挑战。为此，我们开发了EL Box Embedding（ELBE）来学习使用轴平行盒的描述逻辑EL++嵌入。我们从EL++公理生成专门设计的基于框的几何约束，用于模型训练。由于盒的相交保持为盒，所以满足相交闭合。我们在三个数据集上报告了大量的实验结果，并提出了一个案例研究来证明所提出的方法的有效性。
2022-02-28 cs.AI
A Uniform Framework for Concept Definitions in Description Logics
数据库和人工智能中用于描述应用领域的大多数现代形式主义都是基于类（或概念）和类之间关系的概念。这种形式主义的一个有趣的特征是定义类的可能性，即，提供一组属性，精确地描述类的实例。最近的许多文章指出，有几种方法可以为包含某种递归的类定义赋予意义。在本文中，我们认为，而不是选择一个单一的风格的语义，我们取得了更好的结果，通过采用一种形式主义，允许不同的语义共存。我们证明了我们的论点的可行性，通过提出一个知识表示的形式主义，描述逻辑muALCQ，与上述特点。除了用于合取、析取、否定、量词和限定数限制的构造之外，muALCQ还包括特殊的不动点构造来表达（适当解释的）递归定义。这些结构使通常的基于框架的描述相结合的递归数据结构，如有向无环图，列表，流等的定义，我们建立了几个属性的muALCQ，包括可判定性和推理的计算复杂性，通过制定一个对应的特定模态逻辑的程序称为模态μ演算。
1997-03-01 cs.AI
A Parameterized Complexity View on Description Logic Reasoning
Institute for Logic, Language and Computation（逻辑、语言与计算研究所）；University of Amsterdam（阿姆斯特丹大学）
描述逻辑是一种知识表示语言，它被设计成在表达性和计算易处理性之间取得平衡。许多不同的描述逻辑已经被开发出来，并且这些逻辑的许多计算问题由于它们的计算复杂性而被研究。然而，基本上所有的复杂性分析的推理问题的描述逻辑使用的经典复杂性理论的一维框架。参数化复杂性理论的多维框架能够提供推理问题复杂性的更详细的图像。在本文中，我们认为，参数化复杂性的框架有很多可以提供的描述逻辑推理问题的复杂性分析-当一个人需要一个渐进的和前瞻性的观点参数化的复杂性工具。我们通过三个案例研究来证实我们的论点。第一个案例研究的问题是概念可满足的逻辑ALC关于近无环的TBox。第二个案例研究关注ALC概念的可满足性，其参数由联合算子的出现次数和完全存在量化的出现次数来确定。第三个案例研究从参数化复杂性的角度对数据复杂性结果进行了批判性的审视。这三个案例研究代表了描述逻辑问题的参数化复杂性方法的广泛应用。
2018-08-11 cs.AI cs.CC cs.LO
An ASP approach for reasoning in a concept-aware multipreferential lightweight DL
DISIT
在本文中，我们开发了一个概念感知的多偏好语义处理典型性的描述逻辑，偏好与概念，从一个集合的排名TBoxes包含可废止的概念夹杂物。偏好被组合以定义偏好解释，在该解释中可以评估可废止包含。概念感知多偏好语义的构建与Brewka的定性偏好框架有关。我们利用答案集编程（特别是，asprin）实现可撤销推理下的轻量级描述逻辑EL+bot的多偏好方法。该文件正在考虑被TPLP接受。
2020-08-08 cs.AI
Reasoning within Fuzzy Description Logics
I.E.I - C.N.R.（国家研究委员会信息工程研究所）
描述逻辑（DL）是用于管理结构化知识的合适的、众所周知的逻辑。它们允许对个人和定义明确的概念进行推理，即，具有共同属性的个体集合。在应用程序中使用DL的经验表明，在许多情况下，我们希望扩展其功能。特别是，它们的使用在多媒体信息检索（MIR）的上下文中导致令人信服的是，这样的DL应该允许在多媒体对象内容表示和检索的固有的不精确性的治疗。本文将Zadeh的模糊逻辑与经典的DL相结合，提出一种模糊扩展的ALC。特别是，概念变得模糊，因此，支持不精确概念的推理。我们将定义它的语法，它的语义，描述它的属性，并提出了一个约束传播演算推理。
2011-06-03 cs.AI
Overcoming Vision Language Model Challenges in Diagram Understanding: A Proof-of-Concept with XML-Driven Large Language Models Solutions
Galirage Inc.（Galirage公司）
本文提出一种文本驱动方法，通过从xlsx、pptx、docx等源文件直接提取图表元数据并输入大语言模型，绕过视觉语言模型的图像识别瓶颈，实现更准确的图表结构理解与业务问答。
2025-02-05 cs.AI cs.SE
A Knowledge-Based Approach for Selecting Information Sources
通过互联网和万维网，可以获得大量的信息源，这些信息源由不同的提供者提供关于各种主题的信息，而且往往是以不同的格式提供的。这就要求有建立先进信息处理基础设施的工具和方法。该领域的一个问题是在查询应答中选择合适的信息源。在本文中，我们提出了一个基于知识的方法来解决这个问题，在设置中的一组信息源（原型，数据存储库）中的一个应该被选择用于评估用户查询。我们使用扩展逻辑程序（ELP）来表示信息源的丰富描述、基础域理论和正式查询语言（这里是XML-QL，但也可以处理其他语言）中的用户查询。此外，我们使用ELP声明查询分析和生成的查询描述。我们的方法的核心是声明性的源选择程序，我们定义语法和语义。由于所考虑的数据项的结构化性质，这样的程序的语义必须仔细尊重隐式上下文信息的源选择规则，并进一步结合它与可能的用户偏好。我们的方法的原型实现已经实现了利用DLV KR系统及其PLP前端优先ELP。我们描述了一个有代表性的例子，涉及特定的电影数据库，并报告实验结果。
2006-04-21 cs.AI
Towards Ontology-Based Descriptions of Conversations with Qualitatively-Defined Concepts
Loria, CNRS, Université de Lorraine, Nancy, France（Loria研究所、法国国家科学研究中心、洛林大学、南希分校）；Université Sorbonne Paris Nord, CNRS, Laboratoire d'Informatique de Paris Nord, LIPN, F-93430 Villetaneuse, France（巴黎北大学、法国国家科学研究中心、巴黎北信息技术实验室、LIPN、法国）
针对大语言模型作为对话智能体的可控性难题，提出基于本体的方法，通过语言描述符将定性对话特征转化为定量定义并形式化入本体，以CEFR分级为案例通过微调实现LLM受控生成，提升对话AI的一致性与可解释性。
2025-09-05 cs.AI cs.CL cs.LG
Ontology Verbalization using Semantic-Refinement
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
我们提出了一种基于规则的技术来产生冗余-OWL实体的自由NL描述。现有的解决OWL本体语言化问题的方法生成的NL文本片段与对应的OWL语句接近。其中一些方法还对这些NL文本片段进行分组和聚合，以生成更流畅和更全面的内容形式。将我们的注意力限制在对个体的描述上，我们发现，目前可用的工具所遵循的方法是确定给定的个体/概念名称所满足的所有逻辑条件的集合，并将这些条件逐字翻译成相应的NL描述。这种描述的人类可理解性受到重复和冗余的影响，因为它们对它们的OWL表示具有高度的保真度。在文献中，在生成实体的NL描述之前，没有努力去除逻辑级的冗余和重复，并且我们发现这是所生成的文本缺乏可读性的主要原因。在此，我们提出了一种称为语义细化（SR）的技术来生成给定OWLontology的个人和概念的有意义和易于理解的描述。我们识别OWL/DL结构导致重复/冗余的描述，并提出了一系列细化规则，以保持意义的方式重写个体/概念所满足的条件。然后，将缩减的条件集用于生成NL描述。我们的实验表明，SR导致显着改善本体实体的描述。我们还测试了生成的描述的有效性和有用性，验证本体的目的，并发现所提出的技术确实是有帮助的上下文中。
2016-10-31 cs.AI cs.CL
EvoLearner: Learning Description Logics with Evolutionary Algorithms
Paderborn University（帕德博恩大学）
对知识图谱中的节点进行分类是一项重要的任务，例如，用于预测缺失的实体类型，预测哪些分子导致癌症，或预测哪些药物是有希望的治疗候选物。虽然黑盒模型通常具有很高的预测性能，但它们只是事后和局部可解释的，并且不允许学习的模型容易地用领域知识来丰富。为此，学习描述逻辑概念，从正面和负面的例子已经提出。然而，学习这些概念通常需要很长时间，并且最先进的方法对文字数据值的支持有限，尽管它们对许多应用程序至关重要。在本文中，我们提出了EvoLearner -一种进化方法来学习ALCQ（D）中的概念，ALCQ（D）是带有补充的属性语言（ALC），带有合格的基数限制（Q）和数据属性（D）。我们贡献了一个新的初始化方法的初始人口：从积极的例子，我们执行有偏随机游动，并将其转换为描述逻辑概念。此外，我们通过在决定在哪里分割数据时最大化信息增益来提高对数据属性的支持。我们证明了我们的方法在结构化机器学习的基准测试框架SML-Bench上的表现明显优于最先进的水平。我们的消融研究证实，这是由于我们的新的初始化方法和数据属性的支持。
2022-03-08 cs.AI cs.LG cs.NE
Granule Description based on Compound Concepts
Anhui University of Technology（安徽工业大学）；Sun Yat-sen University（中山大学）
可定义粒的简洁描述和不可定义粒的逼近描述是粒计算中具有挑战性的重要问题。只有共同属性的概念已被深入研究。为了研究具有某些特殊需要的颗粒，本文提出了一种新的复合概念，即，共同和必要的概念。本文从概念形成运算的定义出发，导出了形式概念、对象诱导的三向概念、面向对象的概念和共同必然概念的逻辑公式。此外，利用各种概念之间的逻辑关系，我们还导出了这四类概念的可定义粒的简洁而统一的等价条件和不可定义粒的近似描述。
2022-01-07 cs.AI
Concept Relation Discovery and Innovation Enabling Technology (CORDIET)
K.U.Leuven（鲁汶大学）；Vlerick Leuven Gent Management School（弗拉瑞克-鲁汶-根特管理学院）；Amsterdam-Amstelland Police（阿姆斯特丹-阿姆斯特尔兰警察局）；Universiteit van Amsterdam Business School（阿姆斯特丹大学商学院）；National Research University Higher School of Economics（国家研究型高等经济大学）
概念关系发现和创新使能技术（CORDIET）是一个从非结构化文本数据中获取新知识的工具箱。CORDIET的核心是C-K理论，它抓住了创新的基本要素。该工具使用形式概念分析（FCA），涌现自组织映射（ESOM）和隐马尔可夫模型（HMM）作为分析过程中的主要工件。用户可以定义时态、文本挖掘和复合属性。文本挖掘属性用于分析文档中的非结构化文本，时态属性使用这些文档的时间戳进行分析。复合属性是基于文本挖掘和时态属性的XML规则。用户可以使用对象聚类规则对对象进行聚类，也可以使用分割规则将数据分割成碎片。这些工件针对高效的数据分析进行了优化; FCA网格和ESOM映射中的对象标签包含一个URL，用户可以单击该URL打开所选文档。
2012-02-13 cs.AI cs.IR stat.ML
ACCoRD: A Multi-Document Approach to Generating Diverse Descriptions of Scientific Concepts
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
能够自动定义不熟悉术语的系统有望提高科学文本的可访问性，特别是对于可能缺乏先决条件背景知识的读者。然而，目前的系统假设每个概念有一个单一的“最佳”描述，这不能说明一个概念可以被描述的许多潜在有用的方式。我们提出了ACCoRD，一个端到端的系统，解决了生成科学概念描述集的新任务。我们的系统利用了科学文献中提到的概念的无数方式，根据不同的参考概念对目标科学概念进行不同的、多样化的描述。为了支持这项任务的研究，我们发布了一个专家注释的资源，ACCoRD语料库，其中包括1,275个标记的上下文和1,787个手工编写的概念描述。我们进行了一项用户研究，表明（1）用户更喜欢我们的端到端系统产生的描述，（2）用户更喜欢多个描述，一个单一的“最好的”描述。
2022-05-14 cs.AI cs.CL cs.HC
MolLangData: A Large-Scale Dataset for Molecular Structure-Language Description via a Rule-Regularized Method
Clemson University（克莱姆森大学）；Independent Researcher（独立研究者）；University of Delaware（德雷克塞尔大学）；Georgia Institute of Technology（佐治亚理工学院）
本文提出一种全自动标注框架，生成精确分子描述，保留完整结构细节，构建了约16.3万分子-描述对数据集，验证精度达98.6%。
2026-09-29 cs.AI cs.CL q-bio.BM
Programmatic Concept Learning for Human Motion Description and Synthesis
Stanford University（斯坦福大学）；MIT（麻省理工学院）
我们引入程序化的运动概念，一个分层的运动表示人类的行动，捕捉低层次的运动和高层次的运动概念的描述。这种表示使人的运动描述，交互式编辑，并在一个单一的框架内的新的视频序列的控制合成。我们提出了一个架构，学习这个概念表示成对的视频和动作序列中的半监督的方式。我们表示的紧凑性也使我们能够为数据高效学习提供低资源训练配方。通过超越既定的基线，特别是在小数据领域，我们证明了我们的框架在多个应用程序中的效率和有效性。
2022-06-27 cs.AI cs.CV cs.GR
Capturing Polysemanticity with PRISM: A Multi-Concept Feature Description Framework
Technische Universität Berlin（柏林技术大学）；BIFOLD；UMI Lab（UMI实验室）；Fraunhofer Heinrich-Hertz-Institute（弗劳恩霍夫海因里希-赫兹研究所）；ETH AI Center（苏黎世联邦理工学院人工智能中心）；Universität Potsdam（波茨坦大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
针对LLM神经元级特征描述方法鲁棒性有限且假设单义性的问题，提出多概念特征描述框架PRISM，通过捕捉多义性提升描述准确性与忠实性，在基准测试中改善了描述质量和多义概念捕捉能力。
2025-11-12 cs.AI cs.CL cs.LG
CoE: Chain-of-Explanation via Automatic Visual Concept Circuit Description and Polysemanticity Quantification
Tianjin University（天津大学）
针对深度视觉模型现有基于概念的事后解释方法难以自动生成准确充分的语言解释、且视觉概念多义性被低估的问题，提出CoE方法，通过自动概念描述、多义性解缠过滤及CPE量化指标提升可解释性，实验验证其得分平均提升36%。
2025-03-19 cs.AI cs.CV
Interpreting Language Models Through Concept Descriptions: A Survey
BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所）；Technische Universität Berlin（柏林技术大学）
本文调查了通过生成自然语言概念描述来解读模型组件和抽象的方法，揭示了生成这些描述的关键方法、评估指标及数据集，并指出对更严谨因果评估的需求。
2025-10-01 cs.AI cs.CL cs.LG
M^2ConceptBase: A Fine-Grained Aligned Concept-Centric Multimodal Knowledge Base
Fudan University（复旦大学）；Soochow University（苏州大学）；Zhejiang Lab（之江实验室）
本文提出首个以概念为中心的多模态知识库M^2ConceptBase，通过上下文感知符号接地实现概念-图像与描述对齐，提升多模态模型细粒度概念理解及VQA性能。
2025-01-24 cs.AI
FALCON: Fast Visual Concept Learning by Integrating Images, Linguistic descriptions, and Conceptual Relations
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；UIUC（伊利诺伊大学厄巴纳-香槟分校）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；MIT BCS, CBMM, CSAIL（麻省理工学院脑与认知科学系、大脑、心智与机器中心、计算机科学与人工智能实验室）
我们提出了一个元学习框架，用于快速学习新的视觉概念，从一个或几个例子，由多个自然发生的数据流引导：同时看图像，阅读描述场景中对象的句子，并解释将新概念与其他概念联系起来的补充句子。学习到的概念支持下游应用，例如通过推理看不见的图像来回答问题。我们的模型，即ESTCON，代表个人的视觉概念，如颜色和形状，作为轴对齐框在高维空间（“框嵌入空间”）。给定输入图像及其配对句子，我们的模型首先解析句子中的指称表达，并将新概念与场景中的特定对象相关联。接下来，我们的模型解释补充句子，将新概念与其他已知概念联系起来，例如“X具有属性Y”或“X是Y的一种”。最后，它推断出一个最佳的框嵌入的新概念，共同1）最大化图像中观察到的实例的可能性，2）满足新概念和已知的概念之间的关系。我们证明了我们的模型在合成和真实世界的数据集上的有效性。
2022-03-30 cs.AI cs.CL cs.CV
Explaining $\mathcal{ELH}$ Concept Descriptions through Counterfactual Reasoning
Paderborn University（帕德博恩大学）
针对知识库与描述逻辑 $\u2113\u210b$ 中概念描述难以被非专业人士理解的问题，本文提出基于最小特征改变的反事实解释方法，并通过用户调研验证了候选项的偏好性。
2023-10-04 cs.AI cs.LG
North Carolina COVID-19 Agent-Based Model Framework for Hospitalization Forecasting Overview, Design Concepts, and Details Protocol
RTI International（RTI国际）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本概述、设计概念和细节协议（ODD）详细描述了为模拟COVID-19大流行期间的住院而开发的基于代理的模型（ABM）。使用子模型的描述、提供的参数和数据源的链接，建模者将能够复制这个模型的创建和结果。
2021-06-08 cs.AI cs.MA stat.AP
