用于发现事件知识图谱中序诱导特征的偏序集与有界概率
机器学习
2026-01-06 v2 人工智能
摘要
事件知识图谱(EKG)扩展了经典迹的概念，以捕获流程执行的多个交互视图。在本文中，我们通过一个基于事件上由特征导出的偏序所产生结果空间的原理性概率框架，来解决从非策展数据中自动化EKG发现的开放问题。由此，我们推导出一个基于统计推断而非启发式策略或依赖领域专家手动分析的EKG发现算法。这种方法以探索一个大的、非凸的假设空间为计算代价。特别是，求解目标函数中的最大似然项涉及计算偏序集线性扩展的数量，这通常是#P-完全的。幸运的是，有界估计足以用于模型比较，并且可以纳入定制的分支定界算法中。我们建立了目标函数的一个上界，并证明该上界对于相对于模型包含关系是单调的分支规则而言，相对于搜索深度是反单调的。这使得可以剪枝搜索空间的大部分区域，我们通过实验表明，这可以快速收敛到与手动构建的EKG一致的最优解。
引用
@article{arxiv.2410.06065,
title = {Posets and Bounded Probabilities for Discovering Order-inducing Features in Event Knowledge Graphs},
author = {Christoffer Olling Back and Jakob Grue Simonsen},
journal= {arXiv preprint arXiv:2410.06065},
year = {2026}
}
备注
2-column IEEE format