面向神经科学本体知识的可扩展不确定性查询应答：NeuroLang方法
人工智能
2022-02-24 v1
摘要
神经科学研究人员拥有越来越多可用于研究大脑的数据集，这得益于近期的技术进步。鉴于大脑已被广泛研究，目前也有编码其不同区域、激活模式、相关研究关键词等最新进展的本体知识可用。此外，由于体素（三维像素）与不同个体大脑中实际点之间的映射关系，脑扫描本身存在固有的不确定性。遗憾的是，目前尚无在不确定性下访问此类丰富异构数据集合的统一框架，使得研究人员不得不依赖临时工具。特别是，当前试图解决此类任务的工具的一个主要弱点是仅开发了非常有限的命题查询语言。在本文中，我们提出NeuroLang，一种带有存在规则、概率不确定性以及内置机制以保证在极大数据集上可处理查询应答的本体语言。在介绍该语言及其通用查询应答架构后，我们讨论了真实用例，展示NeuroLang如何应用于当前工具不适用的实际场景。
引用
@article{arxiv.2202.11333,
title = {Scalable Query Answering under Uncertainty to Neuroscientific Ontological Knowledge: The NeuroLang Approach},
author = {Gaston Zanitti and Yamil Soto and Valentin Iovene and Maria Vanina Martinez and Ricardo Rodriguez and Gerardo Simari and Demian Wassermann},
journal= {arXiv preprint arXiv:2202.11333},
year = {2022}
}