Verification of Inconsistency-Aware Knowledge and Action Bases (Extended Version)
KRDB Research Centre for Knowledge and Data(KRDB知识与数据研究中心);Free University of Bozen-Bolzano(博尔扎诺自由大学)
描述逻辑知识和动作基础(KAB)最近已经被引入作为一种机制,该机制提供关于感兴趣的域的信息的语义丰富的表示,该表示以DL KB和一组动作来随时间改变这样的信息,可能引入新的对象。在这种情况下,验证复杂的时间属性超过KABs,表示在一阶μ演算的变体,已被证明是可判定的。然而,建立的框架处理不一致的简单的方式,通过拒绝不一致的状态产生的行动执行。我们解决这个问题,展示如何不一致处理的基础上的概念,修复可以集成到KAB,诉诸不一致容忍语义。在这种情况下,我们建立可判定性和复杂性的验证。
2013-04-23 cs.AI
Extensible Knowledge Representation: the Case of Description Reasoners
Rutgers University(罗格斯大学)
本文提供了一种方法,可扩展的知识表示和推理的形式主义称为描述逻辑的家庭。该方法是基于添加新的概念构造器的概念,并包括一个启发式的方法,用于指定所需的扩展,以及一个模块化的软件架构,支持实现扩展。这里详细介绍的架构属于规范化比较范式,并支持涉及概念的有意推理(包容)和涉及知识库增量更新后的个人的外延推理。由此产生的方法可以用来扩展推理机与特定的问题或应用领域的动机,如推理的日期,计划等,此外,它提供了一个机会,实现目前尚未充分理解的构造理论,但在实践中需要。此外,对于可证明难以推理的构造函数(例如,其存在将导致不可判定性),它允许实现不完整推理器,其中不完整性被定制为对于手头的应用程序可接受。
2011-05-27 cs.AI
Reasoning about actions with EL ontologies with temporal answer sets
Università del Piemonte Orientale(东皮埃蒙特大学);Università di Torino(都灵大学)
我们提出了一种基于回答集编程的方法,用于推理与域描述,包括本体知识,在轻量级描述逻辑EL^ \bot表示的行动。我们考虑一个时间的行动理论,它允许非确定性的行动和因果规则来处理后果,其扩展定义的时间答案集。我们提供的条件下,可以保证相对于本体的动作一致性,由一个多项式编码的动作理论扩展与EL^ \bot知识库(在范式)到一个时间的动作理论。
2021-07-18 cs.AI
XML framework for concept description and knowledge representation
基于XML的树结构隐含了属性演算定义的概念的逻辑结构,给出了一个概念描述的XML框架。特别是,属性值表示是可实现的XML框架。由于属性-值表示是人工智能中表示知识的重要方式,因此该框架提供了比强大的RDF技术更进一步和更简单的方法。
2004-04-14 cs.AI cs.LO
Online Vision- and Action-Based Object Classification Using Both Symbolic and Subsymbolic Knowledge Representations
如果机器人要漫游环境并与物体进行交互,通常需要提前知道所有可能的物体,以便可以生成具有所有物体模型的数据库以进行视觉识别。然而,这一限制并不总是得到满足。由于这个原因,基于模型的对象识别不能用于指导机器人的交互。因此,本文提出了一个系统,分析遇到的对象的功能,然后使用这些功能来比较未知的对象,已经知道的。从所得到的相似性中可以得出适当的行动。此外,该系统使机器人能够通过对相似对象进行分组或通过拆分现有类别来学习对象类别。为了表示知识的混合形式使用,包括符号和子符号表示。
2015-10-02 cs.AI
Information Extraction Tool Text2ALM: From Narratives to Action Language System Descriptions
University of Nebraska Omaha(内布拉斯加大学奥马哈分校)
在这项工作中,我们设计了一个叙事理解工具Text2ALM。该工具使用一种动作语言ALM来对叙述中描述的事件的复杂交互进行推理。用于实现Text2ALM系统的方法最初由Lierler、Inclezan和Gelfond(2017)通过将叙述转换为ALM模型的手动过程概述。它依赖于人工智能两个不同领域的资源和技术的集合,即自然语言处理和知识表示与推理。Text2ALM系统的有效性是通过其正确回答Facebook Research在2015年发布的bAbI任务中的问题的能力来衡量的。该工具在七项测试任务中的六项中匹配或超过了最先进的机器学习方法的性能。我们还说明了Text2ALM方法可以推广到更广泛的叙事。
2019-09-18 cs.AI
Query Answering in Object Oriented Knowledge Bases in Logic Programming: Description and Challenge for ASP
SRI International(斯坦福国际研究院);New Mexico State University(新墨西哥州立大学)
本文介绍ASP中大规模知识库KB_Bio_101及其查询程序,并解释这些查询对当前ASP求解器构成重大实际挑战的原因。
2013-12-20 cs.AI
On the evolution of the instance level of DL-lite knowledge bases
Sapienza Università di Roma(罗马第一大学)
最近的论文解决的问题,更新的实例级的知识库表示的描述逻辑以下基于模型的方法。这些论文的结果之一是,更新知识库K的结果通常不能用用于表示K的描述逻辑来表示。在本文中,我们介绍了一个基于公式的方法来解决这个问题,通过重新审视一些研究工作,在80年代开发的基于公式的更新,特别是WIDTIO(当有疑问,抛出)的方法。我们表明,我们的运营商享有理想的属性,包括插入和删除,根据这样的运营商可以表示在DL用于原始KB。此外,我们提出了多项式时间算法的进化的实例级知识库中表达的最具表现力的描述逻辑的DL-建兴家庭。
2011-04-20 cs.AI
Description Logic Knowledge and Action Bases
Free University of Bozen-Bolzano(博尔扎诺-博岑自由大学)
描述逻辑知识和动作库(KAB)是一种机制,用于提供关于感兴趣的领域的信息的语义丰富的表示,在描述逻辑知识库和动作方面,随着时间的推移改变这种信息,可能引入新的对象。我们求助于DL-Lite的一个变体,其中不强制执行唯一名称假设,并且可以断言和推断对象之间的相等性。动作被指定为条件效应集,其中条件基于对知识库(TBox和ABox)的认知查询,并且效应以新的ABoxes表示。在这种情况下,我们解决了验证的时间属性表示在一阶μ演算的一个变种与量化跨状态。值得注意的是,在受数据交换中弱非周期性概念启发的适当限制下,我们展示了验证的可判定性。
2014-02-04 cs.AI cs.LO
Co-training Embeddings of Knowledge Graphs and Entity Descriptions for Cross-lingual Entity Alignment
University of California, Los Angeles(加州大学洛杉矶分校);Stony Brook University(石溪大学)
多语言知识图谱(KG)嵌入提供了实体和结构化知识的潜在语义表示和跨语言推理,有利于各种知识驱动的跨语言NLP任务。然而,精确地学习这样的跨语言推理通常是阻碍了低覆盖率的实体对齐在许多知识库。由于许多多语言KG也提供实体的文字描述,在本文中,我们介绍了一种基于嵌入的方法,利用弱对齐的多语言KG使用实体描述进行半监督跨语言学习。我们的方法执行两个嵌入模型的联合训练,即多语言KG嵌入模型和多语言文字描述嵌入模型。这些模型是在一个基于维基百科的大型三语数据集上训练的,其中大多数实体对齐对训练来说是未知的。实验结果表明,该方法在实体对齐任务上的性能在每次迭代的协同训练中都有所提高,并最终达到显著超过以前方法的阶段。我们还表明,我们的方法有前途的能力zero-shot实体对齐,跨语言KG完成。
2018-06-18 cs.AI cs.CL
Knowledge-Guided Short-Context Action Anticipation in Human-Centric Videos
Carnegie Mellon University(卡内基梅隆大学)
本文提出一种将符号知识图谱赋予Transformer网络的方法,通过运行时增强注意力机制,利用短视频片段预测长期人类动作,在Breakfast和50Salads数据集上比现有方法提升最多9%。
2023-09-12 cs.AI cs.CV
Explainable Knowledge Graph Embedding: Inference Reconciliation for Knowledge Inferences Supporting Robot Actions
Georgia Institute of Technology(佐治亚理工学院)
支持机器人的学习知识图谱表示包含丰富的驱动机器人行为的领域知识。然而,不存在一个推理和解框架,表示如何影响机器人的顺序决策的知识图谱表示。我们使用教学方法来解释一个学习,黑盒知识图谱表示,一个知识图谱嵌入的推论。我们的可解释模型,使用决策树分类器来局部近似黑盒模型的预测,并提供非专家可解释的自然语言解释。从我们的算法评估结果肯定了我们的模型设计的选择,我们的用户研究的结果与非专家支持所提出的推理和解框架的需要。关键的是,我们的模拟机器人评估结果表明,我们的解释使非专家纠正不稳定的机器人行为,由于荒谬的信念在黑盒子。
2022-05-04 cs.AI cs.RO
DEER: Descriptive Knowledge Graph for Explaining Entity Relationships
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University at Buffalo(布法罗大学);NVIDIA(英伟达)
我们提出了DEER(描述性知识图谱解释实体关系)-一个开放的和翔实的形式建模实体关系。在DEER中,实体之间的关系由自由文本关系描述表示。例如,机器学习和算法实体之间的关系可以表示为"机器学习探索学习和构建可以从数据中学习并对数据进行预测的算法。为了构造DEER,我们提出了一种自监督学习方法,通过分析依赖模式来提取关系描述,并使用基于transformer的关系描述合成模型来生成关系描述,其中不需要人工标注。实验表明,我们的系统可以提取和生成高质量的关系描述解释实体关系。结果表明,我们可以建立一个开放的和信息丰富的知识图谱没有人的注释。
2022-10-20 cs.AI cs.CL
Translating Universal Scene Descriptions into Knowledge Graphs for Robotic Environment
Institute for Artificial Intelligence, University of Bremen(不来梅大学人工智能研究所)
本文研究利用虚拟现实和通用场景描述(USD)格式进行机器人环境建模,提出将USD场景图转换为知识图谱的技术,以支持语义查询和知识集成。
2023-10-27 cs.AI cs.GR cs.RO
Exploiting Uncertainty for Querying Inconsistent Description Logics Knowledge Bases
本文利用DISPONTE概率语义处理描述逻辑知识库的不一致性问题,在TRILL和BUNDLE推理器中实现并验证,并与修复语义进行形式化比较。
2025-08-04 cs.AI cs.LO
Disentangled Action Recognition with Knowledge Bases
University of California, Berkeley(加州大学伯克利分校);Amazon Alexa AI(亚马逊Alexa人工智能部门);Fujitsu Laboratories Ltd.(富士通实验室有限公司);Pennsylvania State University(宾夕法尼亚州立大学)
视频中的动作通常涉及人与物体的交互。动作标签通常由动词和名词的各种组合组成,但我们可能没有所有可能组合的训练数据。在本文中,我们的目标是提高合成动作识别模型的泛化能力,新的动词或新的名词是看不见的训练时间,通过利用知识图谱的力量。以前的工作利用动词-名词组成的动作节点的知识图谱,使其效率低下的规模,因为组成的动作节点的数量的增长二次方相对于动词和名词的数量。为了解决这个问题,我们提出了我们的方法:与知识库(DARK),它利用了固有的组合性的行动的分离动作识别。DARK首先提取动词和名词的分解特征表示,然后使用外部知识图谱中的关系预测分类权重,从而训练因子化模型。动词和名词之间的类型约束是从外部知识库中提取的,并最终应用于组合动作。DARK在对象和动词的数量方面具有更好的可扩展性,并在Charades数据集上实现了最先进的性能。我们进一步提出了一个新的基准分裂的基础上Epic-kitchen数据集,这是一个数量级更大的类和样本的数量级,并基准各种模型在这个基准。
2022-07-04 cs.AI cs.CL cs.CV
Knowledge Authoring for Rules and Actions
Stony Brook University(石溪大学)
针对KRR系统中专家构建逻辑表示困难及现有工具局限,提出KALMRA支持规则与动作编写,在UTI和bAbI基准上分别达到100%和99.3%以上正确率。
2023-05-12 cs.AI cs.CL
Reasoning about Actions with Temporal Answer Sets
Università del Piemonte Orientale(皮埃蒙特东方大学);Università di Torino(都灵大学)
本文结合回答集编程(ASP)和动态线性时间时态逻辑(DLTL)定义了一种时态逻辑程序设计语言,用于推理复杂动作和无限计算。DLTL扩展了线性时间的命题时态逻辑,使用命题动态逻辑的正则程序来索引时态模态。动作语言允许在域描述中包含一般DLTL公式,以约束可能扩展的空间。我们引入了一个概念的时间回答集域描述,通常的概念的基础上的回答集。此外,我们提供了一个标准的ASP域描述的翻译,我们使用有限的模型检验技术的DLTL约束的验证。
2011-10-17 cs.AI cs.LO
NLP for Climate Policy: Creating a Knowledge Platform for Holistic and Effective Climate Action
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
气候变化是我们这个时代的一个紧迫问题,联合国可持续发展目标(SDG)13要求全球采取气候行动。2015年,世界各国领导人在巴黎签署了一项协议,承诺采取自愿行动减少碳排放。然而,全球范围内,特别是发达国家和发展中国家之间,气候行动的规模、规模和进程各不相同。因此,从议会到社交媒体,关于气候变化的辩论和讨论从政策设计和执行所必需的广泛来源收集数据。缺点是,我们目前还没有机制来汇集来自结构化和非结构化数据源的全球分散的知识。本文主要讨论了如何将NLP技术应用于气候政策研究,并为整个社会做出贡献。特别是,我们通过四种方法来实现NLP和气候政策研究的共生。第一个是使用自动内容分析处理与气候政策有关的主要议题。在第二种方法中,我们调查了主要行动者对气候政策的叙述的意见(情绪)。第三种技术探讨气候行为者对支持或反对气候取向的信念。最后,我们讨论了发展气候知识图谱。本专题文件还认为,建立一个知识平台将有助于制定整体气候政策和有效的气候行动。这样一个知识平台将整合来自政府、企业、民间社会和科学界等不同社会部门的政策行为者的各种意见。研究成果将为有效的气候行动增加价值,因为政策制定者可以通过在一个综合平台上观察不同的公众意见来做出明智的决定。
2021-05-12 cs.AI cs.CL
A Strategy for Implementing description Temporal Dynamic Algorithms in Dynamic Knowledge Graphs by SPIN
Iran University of Science and Technology(伊朗科技大学);Tarbiat Modares University(塔比阿特莫达勒斯大学)
本文提出结合 Dynamic-ALC、SPIN 与 Protégé 的动态知识表示框架,给出可终止的行动推理与效果一致性检查算法。
2024-01-20 cs.AI cs.LO
Probabilistic Reasoning in the Description Logic ALCP with the Principle of Maximum Entropy (Full Version)
Free University of Bozen-Bolzano(博尔扎诺自由大学);University of Osnabrück(奥斯纳布吕克大学)
知识表示的核心问题是如何对不确定性知识进行合理的编码和处理。我们介绍的概率描述逻辑ALCP,是专为表示上下文相关的知识,其中发生的实际情况是不确定的。ALCP允许对域的逻辑依赖和对可能上下文的概率依赖的表达。为了得出概率结论,我们采用最大熵原理。我们提供了推理算法,这种逻辑,并表明它满足概率逻辑的几个理想的属性。
2016-06-30 cs.AI cs.LO
Select and Augment: Enhanced Dense Retrieval Knowledge Graph Augmentation
University of Liverpool(利物浦大学);University of Tabuk(塔布克大学)
本文提出一种多任务框架,通过检索器模型选择与知识图谱实体高度相关的文本描述并联合对齐或增强KG嵌入,在链接预测任务上较传统CNN方法显著提升了MRR和Hits@10指标。
2023-10-25 cs.AI cs.CL
Complexity of the Description Logic ALCM
University of Leicester(莱斯特大学)
本文证明了描述逻辑ALCM中知识库的一致性检验问题是ExpTime完全的。M代表Motz,Rohrer和Severi定义的元建模。为了展示我们的主要结果,我们定义了ExpTime Tableau算法作为Nguyen和Szalas在ALC中检查知识库一致性的算法的扩展。
2015-11-12 cs.AI cs.LO
Knowledge-aware Method for Confusing Charge Prediction
Southeast University(东南大学);Indiana University Bloomington(印第安纳大学伯明顿分校)
自动指控预测任务是根据刑事案件的事实描述确定最终指控罪名的任务,是法律援助系统的重要应用。传统著作往往依赖事实描述来预测罪名,而忽略了法律图式知识,导致混淆性罪名难以区分。本文提出了一种知识关注的神经网络模型,该模型引入了关于罪名的法律图式知识,并利用知识的层次表示作为区分易混淆罪名的判别特征。我们的模型将文本事实描述作为输入,并通过图卷积网络学习事实表示。一个法律原理图知识Transformer被用来在模式和收费两个层次上生成面向法律原理图知识的关键知识表示。我们应用知识匹配网络,有效地将收费信息的事实,学习知识感知的事实表示。最后,我们使用知识感知的事实表示进行电荷预测。我们创建了两个真实世界的数据集,实验结果表明,我们提出的模型可以在准确性和F1得分上优于其他最先进的基线,特别是在处理混淆收费方面。
2020-10-07 cs.AI cs.CL
The role of semantics in mining frequent patterns from knowledge bases in description logics with rules
Poznan University of Technology(波兹南理工大学)
我们提出了一种新的方法来挖掘频繁模式的语言,结合语义Web本体和规则。特别是,我们考虑使用的语言相结合的描述逻辑与DL安全的规则的设置。此设置对于语义Web的数据采掘的实际应用非常重要。我们专注于频繁模式发现的任务的表示形式主义的语义的关系,并为我们的方法的核心,我们提出了一种算法,利用组合知识库的语义。我们已经开发了一个概念验证数据采掘实现这一点。使用这一点,我们已经经验表明,使用组合的知识库进行语义测试,可以使数据采掘更快的修剪无用的候选模式之前,他们的评价。我们还表明,所产生的模式集的质量可以得到改善:模式更紧凑,并且模式更少。我们的结论是,利用所选择的表示形式主义的语义(上)关系频繁模式发现方法的设计和应用的关键。逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2010-04-01 cs.AI cs.LO
Constructing a Knowledge Graph from Textual Descriptions of Software Vulnerabilities in the National Vulnerability Database
Simula Research Laboratory(西穆拉研究实验室);University of Oslo(奥斯陆大学);Norwegian Computing Center(挪威计算中心);BI Norwegian Business School(BI挪威商学院)
提出从NVD文本构建漏洞知识图谱的新方法,结合NER、关系抽取与实体预测,修复缺失实体并评估性能。
2023-05-15 cs.AI cs.CL cs.CR
On the Undecidability of Fuzzy Description Logics with GCIs with Lukasiewicz t-norm
IIIA - CSIC(西班牙国家研究委员会人工智能研究所);ISTI - CNR(意大利国家研究委员会信息科学与技术研究所)
最近有一些意想不到的结果,模糊描述逻辑(FDLs)与一般概念包含(GCI)。他们表明,与经典的情况下,DL ALC与GCI不具有有限的模型属性下Lukasiewicz逻辑或产品逻辑,具体地说,知识库可满足性是一个不可判定的问题产品逻辑。我们在这里完成的分析表明,知识库可满足性也是一个不可判定的问题Lukasiewicz逻辑。
2011-07-27 cs.AI cs.LO
Querying Circumscribed Description Logic Knowledge Bases
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));University of Bremen(不来梅大学)
本文证明限定描述逻辑知识库上 CQ/UCQ 求值的可判定性,并系统刻画从 ALCHIO、EL 到 DL-Lite 各语言的组合与数据复杂性,同时分析原子查询。
2023-06-07 cs.AI cs.CC cs.LO
OAK -- Onboarding with Actionable Knowledge
Institute of Systems Engineering, HEI-VS HES-SO University of Applied Sciences and Arts Western Switzerland(系统工程研究所,HEI-VS HES-SO西部瑞士应用科学与艺术大学);HumanTech Institute, HEIA HES-SO University of Applied Sciences and Arts Western Switzerland(HumanTech研究所,HEIA HES-SO西部瑞士应用科学与艺术大学)
本文提出OAK方法,结合知识图谱嵌入、多模态界面与大语言模型,收集并检索离职操作员的非结构化专业知识,以支持车间决策,并在高精度制造质量控制中完成概念验证。
2025-06-25 cs.AI cs.HC cs.LG
An Action Language for Multi-Agent Domains: Foundations
Arizona State University(亚利桑那州立大学);University of Nebraska Omaha(内布拉斯加大学奥马哈分校);New Mexico State University(新墨西哥州立大学)
在多智能体域中,一个智能体的行为不仅可以改变世界和自己对世界的知识和信念,还可以改变其他智能体对世界的知识和信念,以及他们对其他智能体对世界的知识和信念的知识和信念。在多智能体世界中,智能体的目标可能涉及操纵其他智能体的知识和信念,不仅是他们关于世界的知识/信念,而且是他们关于其他智能体关于世界的知识的知识。我们的目标是提出一个动作语言(mA+),具有必要的功能,以解决上述方面的代表和RAC在MAD。mA+允许表示和推理代理可以在许多其他代理可能存在的域中执行的不同类型的动作-例如改变世界的动作,感知动作和通知/通信动作。它还允许代理的动作发生的动态意识的规范,这对代理对世界的了解和其他代理对世界的知识具有未来的影响。mA+考虑了三种不同类型的意识:完全意识、部分意识和对动作发生及其影响的完全遗忘。这使语言保持简单,但功能强大,足以解决MAD中各种各样的知识操作场景。mA+的语义依赖于状态的概念,它由一个指向的Kripke模型描述,并用于编码代理的知识和世界的真实状态。它由一个转换函数定义,该函数将动作和状态对映射为状态集。我们说明的行动理论的属性,包括属性,保证有限的初始状态和它们的实际可实现性。最后,我们与mA+其他相关的形式主义,有助于RAC在MAD。
2020-12-27 cs.AI
Substructure Discovery Using Minimum Description Length and Background Knowledge
识别有趣和重复的子结构的能力是在结构化数据中发现知识的重要组成部分。我们描述了一个新版本的SUBDUE子结构发现系统的最小描述长度原则的基础上。SUBDUE系统发现压缩原始数据并表示数据中的结构概念的子结构。通过替换数据中以前发现的子结构,多次SUBDUE生成数据中结构化数据的层次描述。SUBDUE使用计算上有界的不精确图匹配,其识别子结构的相似但不相同的实例,并在计算约束下找到两个子结构的接近度的近似度量。除了最小描述长度原则之外,SUBDUE还可以使用其他背景知识来引导搜索到更合适的子结构。在各个领域的实验表明,SUBDUE能够找到能够压缩原始数据的子结构,并发现对该领域重要的结构概念。在线附录说明:这是一个压缩的tar文件,其中包含了SUBDUE发现系统,用C语言编写。该程序接受以图形形式表示的数据库作为输入,并将输出发现的子结构及其相应的值。
1994-02-01 cs.AI
Knowledge- and Gradient-Guided Reinforcement Learning for Parametrized Action Markov Decision Processes
HSU-AI Institute for Artificial Intelligence(HSU人工智能研究所)
研究参数化动作马尔可夫决策过程中的强化学习,提出KGRL算法,利用领域知识修剪动作、约束参数空间,结合梯度细化参数,能提供局部解释并提高样本效率,优于现有强化学习基线。
2026-07-16 cs.AI
An Example of the SAM+ Algorithm for Learning Action Models for Stochastic Worlds
Washington University in St. Louis(圣路易斯华盛顿大学);Ben Gurion University(本·古里安大学);Xerox PARC(施乐帕克研究中心)
在本技术报告中,我们提供了一个完整的例子,运行SAM+算法,一个学习随机规划行动模型的算法,在一个简化的PPDDL版本的咖啡问题。我们提供了SAM+算法的一个非常简短的描述和我们的简化版本的咖啡域的详细描述,然后描述在简化的咖啡域上运行它的结果。
2022-03-23 cs.AI
On Action Theory Change
Meraka Institute, CSIR(梅拉卡研究所,科学与工业研究理事会)
正如Reasoning about Actions and Change社区历史上所承认的那样,逻辑域描述的直观性不能完全自动化。此外,像任何其他逻辑理论一样,行动理论也可能会发展,因此知识工程师需要修正方法来帮助以适当的方式容纳有关行动行为的新信息。目前的工作是关于改变多模态逻辑中的动作域描述。它的贡献有三个方面:首先,我们重新审视语义的行动理论收缩提出了在以前的工作,给出更强大的运营商,表示最小的变化的基础上的概念Kripke模型之间的距离。其次,我们给出算法的句法动作理论收缩和建立他们的正确性,我们的语义,满足原则的模块化研究在以前的工作中的那些行动理论。由于模块性可以确保每一个行动理论,正如我们在这里所示,需要计算最多一次在域描述的演变,它并不代表在这里研究的方法的限制。最后,我们国家AGM一样的假设行动理论收缩和评估我们的运营商的行为与他们。此外,我们还解决了行动理论变化的修正对应物,表明它受益于我们的语义收缩。
2014-01-16 cs.AI
Relating Knowledge and Coordinated Action: The Knowledge of Preconditions Principle
Technion—Israel Institute of Technology(以色列理工学院)
知识的前提原则(KoP)被提出作为一个广泛适用的多智能体系统中的知识和行动之间的连接。粗略地说,它断言,如果某个条件是执行给定动作A的必要条件,那么知道这个条件成立也是执行A的必要条件。由于任务的规格往往涉及必要的条件,行动,知识产权原则表明,这种规格诱导的知识前提条件的行动。满足规范的分布式协议或多代理计划必须确保获得这种知识,并且它被代理检测为行动的条件。知识的先决条件原则是正式的运行和系统框架,并被证明在广泛的设置类。知识和协调行动之间的众所周知的联系得到了扩展,并表明直接来自KOP原则:建立了“先决条件的公共知识”原则,表明公共知识是执行同时动作的必要条件,并证明了“先决条件的嵌套知识”原则,这表明,要以线性时间顺序执行的协调行动需要相应形式的嵌套知识。
2016-06-24 cs.AI cs.DC cs.LO
Explain Me the Painting: Multi-Topic Knowledgeable Art Description Generation
Osaka University(大阪大学)
你有没有看过一幅画,想知道它背后的故事是什么?这项工作提出了一个框架,使艺术更接近人产生全面的描述美术画。然而,为艺术品生成信息描述是非常具有挑战性的,因为它需要1)描述图像的多个方面,例如其风格,内容或组成,以及2)提供有关艺术家,其影响或历史时期的背景和上下文知识。为了解决这些挑战,我们引入了一个多主题和知识渊博的艺术描述框架,该框架根据三个艺术主题生成的句子模块,此外,还利用外部知识增强了每个描述。该框架是通过详尽的分析,定量和定性,以及比较人的评价验证,展示了突出的成果,在主题的多样性和信息的准确性。
2021-09-13 cs.AI cs.CL cs.CV
Generative Action Description Prompts for Skeleton-based Action Recognition
The Hong Kong Polytechnic University(香港理工大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Mannheim University(曼海姆大学)
本文提出生成式动作描述提示(GAP)方法,利用预训练语言模型生成动作描述,通过多模态训练提升骨架动作识别性能,在多个基准上达到最先进水平。
2023-09-06 cs.AI cs.CV cs.LG
Do What You Know: Coupling Knowledge with Action in Discrete-Event Systems
Queen’s University(女王大学)
提出了一种具有非二进制控制的分散离散事件系统的认知模型。这个框架结合了现有的工作条件控制决策与现有的工作正式推理知识的离散事件系统。在模型中提出的新颖之处是,问题的可解决性的必要和充分条件封装主管必须采取的行动。知识和行动之间的这种直接耦合--以模仿自然语言的形式--使得在问题条件失败时更容易确定应如何修改问题需求。
2022-05-30 cs.AI cs.SY eess.SY
From Images to Sentences through Scene Description Graphs using Commonsense Reasoning and Knowledge
Arizona State University(亚利桑那州立大学);University of Maryland, College Park(马里兰大学帕克分校)
在本文中,我们提出了图像的语言描述的建设。这是通过使用自动构建的知识库从视觉场景中提取场景描述图(SDG)来实现的。SDG是通过愿景和推理构建的。具体而言,常识推理应用于(a)从给定图像上的现有感知方法获得的检测,(b)使用图像注释的自然语言处理构建的“常识”知识库,以及(c)来自诸如WordNet的资源的词汇本体知识。基于Amazon Mechanical Turk(AMT)的Flickr 8 k、Flickr 30 k和MS-COCO数据集的评估表明,在大多数情况下,通过我们的方法获得的SDG自动构建的句子比最近最先进的基于图像标题的方法更相关、更全面地描述了图像。我们的图像-句子对齐评估结果也可以与最近的最先进的方法相媲美。
2015-11-10 cs.AI cs.CL cs.CV
KRAST: Knowledge-Augmented Robotic Action Recognition with Structured Text for Vision-Language Models
ETRI(韩国科学技术院)
本文提出KRAST方法,通过将结构化文本知识作为可学习提示注入冻结的视觉-语言模型,在仅用RGB视频输入的条件下于ETRI-Activity3D数据集上实现超过95%的动作识别准确率,超越现有最优方法。
2025-09-19 cs.AI cs.CV
Learning Flexible Translation between Robot Actions and Language Descriptions
University of Hamburg(汉堡大学)
灵活地处理各种机器人动作语言翻译任务是机器人与人之间自然交互的基本要求。以前的方法需要在推理过程中改变每个任务的模型架构的配置,这破坏了多任务学习的前提。在这项工作中,我们提出了成对的门自动编码器(PGAE)的灵活翻译机器人的动作和语言描述在桌面上的对象操作的情况下。我们以端到端的方式训练我们的模型,方法是将每个动作与适当的描述配对,这些描述包含通知翻译方向的信号。在推理过程中,我们的模型可以灵活地从行动到语言,反之亦然,根据给定的语言信号。此外,通过选择使用预训练的语言模型作为语言编码器,我们的模型有可能识别看不见的自然语言输入。我们的模型的另一个功能是,它可以识别和模仿另一个代理的行动,利用机器人演示。实验结果突出了我们的方法的灵活的双向翻译能力,以及概括到对面坐代理的行动的能力。
2022-09-12 cs.AI cs.NE cs.RO
Improving Complex Knowledge Base Question Answering via Question-to-Action and Question-to-Question Alignment
Zhejiang University(浙江大学)
复杂的知识库问答可以通过将问题转换为预定义的动作序列来实现。然而,在自然语言和动作序列之间存在显著的语义和结构鸿沟,这使得这种转换变得困难。在本文中,我们介绍了一个增强的复杂问答框架,称为ALCQA,它通过问题到动作对齐和问题到问题对齐来缓解这一差距。我们训练一个问题重写模型来对齐问题和每个动作,并利用预训练的语言模型来隐式地对齐问题和KG工件。此外,考虑到类似的问题对应于类似的动作序列,我们检索top-k相似的问答对在推理阶段通过问题到问题对齐,并提出了一种新的奖励引导的动作序列选择策略,从候选动作序列中选择。在CQA和WQSP数据集上进行了实验,结果表明,该方法在CQA数据集上的F1度量提高了9.88%,优于现有方法.我们的源代码可在https://github.com/TTTTTTTTy/ALCQA上获得。
2022-12-26 cs.AI cs.CL
Inapplicable Actions Learning for Knowledge Transfer in Reinforcement Learning
J.P. Morgan AI Research(摩根大通人工智能研究院)
本文提出系统化方法,通过标准化知识指定和联合学习动作前提条件,使RL算法利用不可应用动作屏蔽不相关动作,提升样本效率并实现知识迁移。
2023-05-11 cs.AI cs.LG
A Multi-Source Heterogeneous Knowledge Injected Prompt Learning Method for Legal Charge Prediction
Northeast Forestry University(东北林业大学);Harbin Engineering University(哈尔滨工程大学)
针对法律罪名预测难以利用多源外部知识的问题,提出融合法律知识库、对比检索法条与对话式 LLM 事实要素的软硬提示学习框架,在 CAIL-2018 上达到 SOTA,并降低数据依赖、增强可解释性。
2024-08-05 cs.AI cs.CL
A Novel Self-Knowledge Distillation Approach with Siamese Representation Learning for Action Recognition
National Central University(国立中央大学);Thai Nguyen University(太原大学)
知识蒸馏是将知识从重网络(教师)有效地转移到小网络(学生),以提高学生的表现。自知识蒸馏,知识蒸馏的特殊情况下,已被提出删除大型教师网络的培训过程,同时保持学生的表现。本文介绍了一种新的自我知识蒸馏方法,通过连体表示学习,最小化来自给定样本的两个不同视图的两个表示向量之间的差异。我们提出的方法,SKD-SRL,利用软标签蒸馏和相似性的表示向量。因此,SKD-SRL可以在同一数据点的各种视图中生成更一致的预测和表示。我们的基准已经在各种标准数据集上进行了评估。实验结果表明,SKD-SRL显着提高了准确性相比,现有的监督学习和知识蒸馏方法,无论网络。
2022-09-03 cs.AI cs.CV
Learning Household Task Knowledge from WikiHow Descriptions
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Cardiff University(卡迪夫大学)
常识程序知识对于在人类环境中运行的人工智能智能体和机器人来说非常重要。虽然以前构建过程知识的尝试大多是基于规则和模板的,但深度学习的最新进展提供了直接从自然语言源获取此类知识的可能性。作为这个方向的第一步,我们提出了一个模型来学习任务的嵌入,以及需要采取的各个步骤来解决它们,基于WikiHow文章。我们学习这些嵌入,使它们能够预测步骤相关性和步骤顺序。我们还尝试使用整数规划来推断一致的全局步骤排序从嘈杂的成对预测。
2019-09-13 cs.AI cs.CL cs.LG
On the Efficacy of Text-Based Input Modalities for Action Anticipation
Georgia Institute of Technology(佐治亚理工学院);Google Research(谷歌研究院)
提出多模态对比预期Transformer(M-CAT),通过融合动作与对象的文本描述提供额外上下文,在EpicKitchens数据集上提升了动作预测的准确性。
2024-08-29 cs.AI cs.CV cs.LG
Verification of Generalized Inconsistency-Aware Knowledge and Action Bases (Extended Version)
KRDB Research Centre for Knowledge and Data(KRDB知识与数据研究中心);Free University of Bozen-Bolzano(博尔扎诺自由大学)
知识和行动基础(KABs)已被提出作为一个领域的语义丰富的表示,使用DL知识库占其静态方面,并随着时间的推移,其扩展部分的行动,可能会引入新的对象。最近,知识库已被扩展到管理不一致性,特别是面向特定语义的验证技术。这项工作沿着这条研究路线提供了双重贡献。一方面,我们丰富了KAB的高层次,紧凑的动作语言的灵感来自Golog,获得所谓的Golog-KAB(GKAB)。另一方面,我们引入了一个参数执行语义GKABs,以便优雅地容纳过多的不一致性感知语义的基础上的概念修复。然后,我们提供了几个减少复杂的一阶时间属性的不一致性感知GKABs的验证,并表明它可以使用已知的技术,标准KABs开发。
2015-06-04 cs.AI cs.LO
Bridging the gap between Human Action Recognition and Online Action Detection
École de Technologie Supérieure(高等工程学院)
动作识别、早期预测和在线动作检测是经常独立研究的互补学科。大多数在线动作检测网络使用预先训练的特征提取器,这可能不是新任务的最佳选择。我们解决了特定任务的特征提取与上述学科之间的师生框架,和一个新的训练策略。我们的网络,在线知识蒸馏行动检测网络(OKDAD),嵌入在线早期预测和在线时间段建议子网络并行。在教师培训期间,鼓励低班级间和高班级内的相似性。OKDAD网络的知识蒸馏是通过层重用和教师-学生特征向量之间的余弦相似性来保证的。层重用和相似性学习显着提高我们的基线,使用通用的特征提取器。我们评估了来自两个流行数据集的红外视频框架,即NTU RGB+D(动作识别、早期预测)和PKU MMD(动作检测)。与以前在这些数据集上的尝试不同,我们的学生网络在没有任何未来知识的情况下运行。即使增加了这一难度,我们也在两个数据集上获得了最先进的结果。此外,我们的网络使用来自RGB-D摄像头的红外线,据我们所知,我们是第一个将其用于在线动作检测的网络。
2021-01-21 cs.AI cs.CV
Learning Bidirectional Translation between Descriptions and Actions with Small Paired Data
Waseda University(早稻田大学);Fujitsu Limited(富士通有限公司);Waseda Research Institute for Science and Engineering(早稻田大学科学与工程研究院);National Institute of Advanced Industrial Science and Technology(日本产业技术综合研究所)
本研究使用来自不同模态的小配对数据实现了描述和动作之间的双向翻译。相互生成描述和动作的能力对于机器人在日常生活中与人类合作至关重要,这通常需要一个大型数据集来维护两种模态数据的全面配对。然而,一个配对的数据集是昂贵的建设和难以收集。为了解决这个问题,本研究提出了一个两阶段的双向翻译训练方法。在所提出的方法中,我们训练经常性的自编码器(RAE)的描述和行动与大量的非配对数据。然后,我们微调整个模型,使用小的配对数据绑定它们的中间表示。由于用于预训练的数据不需要配对,因此可以使用仅行为数据或大型语言语料库。我们使用由运动捕获动作和描述组成的配对数据集对我们的方法进行了实验评估。结果表明,我们的方法表现良好,即使当配对的数据量训练是小的。每个RAE的中间表示的可视化显示,类似的动作被编码在一个聚类的位置和相应的特征向量很好地对齐。
2022-09-24 cs.AI cs.CL cs.LG
A new soft computing method for integration of expert's knowledge in reinforcement learn-ing problems
Sharif University of Technology(谢里夫理工大学);Iran University of Science and Technology(伊朗科技大学);Ferdowsi University of Mashhad(马什哈德菲尔多西大学)
本文提出了一种新的模糊动作选择方法,利用人类知识的强化学习问题。基于对当前动作-状态值的估计,提出的模糊非线性映射将动作集合中的每个成员分配给其在下一步中被选择的概率。引入用户可调参数来控制动作选择策略,该策略决定了Agent在整个学习过程中的贪婪行为。该参数类似于softmax动作选择策略中的温度参数的作用,但是其调整过程可以更加面向知识,因为该参数通过在模糊规则库中进行修改来将人类知识反映到学习代理中。仿真结果表明,包括模糊逻辑内的强化学习在所提出的方式提高了学习算法的收敛速度,并提供优越的性能。
2021-06-13 cs.AI cs.RO
Integrating Action Knowledge and LLMs for Task Planning and Situation Handling in Open Worlds
The State University of New York at Binghamton(纽约州立大学宾汉姆顿分校);Ford Motor Company(福特汽车公司)
针对开放世界中机器人任务规划易遇不可预见情境的问题,提出整合LLMs与动作知识的COWP框架,动态扩充动作知识以处理新情境,在含1085个情境的数据集上服务任务成功率优于基线,并经移动操作机器人验证。
2023-10-05 cs.AI cs.RO
SynWorld: Virtual Scenario Synthesis for Agentic Action Knowledge Refinement
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团);Zhejiang Key Laboratory of Big Data Intelligent Computing(浙江省大数据智能计算重点实验室)
本文提出SynWorld框架,通过在动作空间内合成多步动作调用的虚拟场景并结合蒙特卡洛树搜索(MCTS)进行探索,有效帮助LLM智能体在新环境中自主学习和精炼动作知识。
2025-06-01 cs.AI cs.CL cs.CV
Knowledge Base-Aware Orchestration: A Dynamic, Privacy-Preserving Method for Multi-Agent Systems
Copyright for this paper by its authors(作者版权所有)
针对多智能体系统静态描述路由的不足,提出知识库感知编排方法,利用动态隐私信号增强路由,提升精度与效率。
2025-09-23 cs.AI cs.MA