基于 EBR 的神经推理在 $\mathcal{SHOIQ}$ 中的稳健实例检索
人工智能
2025-10-24 v1 机器学习
摘要
概念学习利用以描述逻辑公理形式化的背景知识，从知识库中学习可解释的分类模型。尽管近期在神经符号概念学习方面取得了突破，然而大多数方法仍无法在实际知识库上部署。这主要是由于它们依赖的描述逻辑推理器对不一致情况以及错误数据并不稳健。我们通过提出一种新型神经推理器 EBR 来解决这一挑战。我们的推理器依赖于嵌入来近似符号推理器的结果。我们展示，EBR 仅需检索原子概念和存在限制的实例，即可检索或近似描述逻辑 中任意概念的实例集合。在实验中，我们将 EBR 与最新方法进行比较。我们的结果表明，EBR 在面对缺失和错误数据时具有稳健性，而现有方法则不然。
引用
@article{arxiv.2510.20457,
title = {Neural Reasoning for Robust Instance Retrieval in $\mathcal{SHOIQ}$},
author = {Louis Mozart Kamdem Teyou and Luke Friedrichs and N'Dah Jean Kouagou and Caglar Demir and Yasir Mahmood and Stefan Heindorf and Axel-Cyrille Ngonga Ngomo},
journal= {arXiv preprint arXiv:2510.20457},
year = {2025}
}
备注
Accepted as a full research paper at K-CAP 2025