BoxLitE：基于凸优化的忠实知识基嵌入模型
人工智能
2026-05-26 v1 机器学习
计算机科学中的逻辑
最优化与控制
摘要
知识基嵌入旨在结合经典知识图嵌入的泛化能力，能够概括事实中所含信息（ABox），同时结合本体语言中表示的概念知识（TBox）。近期多位作者探索了将概念映射到向量空间中凸区域的想法。这有助于表示本体中通常存在的层次结构，因为更一般的概念可以映射到包含更具体概念相关联区域的较大区域。然而，凸性的威力在实际学习任务中鲜有被充分利用。本文引入 BoxLitE，一种用于 DL-Lite^ℋ 的知识基嵌入模型，允许进行凸优化。我们展示，对于任何可满足的 DL-Lite^ℋ 知识库，都存在一个 BoxLitE 嵌入是弱忠实模型。作为概念验证，我们展示了如何将知识基嵌入任务表述为凸优化问题，并如何获得具有此类理想忠实性属性的嵌入。
引用
@article{arxiv.2605.23937,
title = {BoxLitE: A Faithful Knowledge Base Embedding Based on Convex Optimization},
author = {Bruno F. Lourenço and Hesham Morgan and Ana Ozaki and Aleksandar Pavlović and Emanuel Sallinger},
journal= {arXiv preprint arXiv:2605.23937},
year = {2026}
}
备注
28 pages. Full version of paper accepted to KR 2026 (23nd International Conference on Principles of Knowledge Representation and Reasoning). Track: KR meets Machine Learning and Explanation