品牌网站建设新闻,wordpress 绝对路径,计算机前端,网站名称 注册概述
本文是对利用知识图谱#xff08;KG#xff09;的综合人工智能#xff08;CAI#xff09;的全面调查研究#xff0c;其中 CAI 被定义为可解释人工智能#xff08;XAI#xff09;和可解释机器学习#xff08;IML#xff09;的超集。
首先#xff0c;本文澄清了…概述
本文是对利用知识图谱KG的综合人工智能CAI的全面调查研究其中 CAI 被定义为可解释人工智能XAI和可解释机器学习IML的超集。
首先本文澄清了 CAI 的概念并提出了一种分类法根据 KG 的表示方案、任务和基本方法对 KG 进行分类。在此分类法的基础上分别对利用 KG 的 IML 和 XAI 方法进行了详细分析。
IML 方法介绍了规则提取、路径查找和嵌入方法XAI 方法介绍了基于规则、基于分解、基于替代模型和基于图生成的方法。对每种方法的特点和挑战进行了细致的梳理并提出了使用 KG 的 CAI 的现状和未来研究方向。 论文地址https://arxiv.org/pdf/2107.00651.pdf
介绍
近年来人工智能AI系统已经超越了研究领域正在渗透到我们的日常生活中。特别是自 21 世纪初以来基于知识图谱的人工智能方法的应用激增并被广泛应用于许多领域。然而解释人工智能系统的决策是用户的需求在许多应用领域也受到监管。
知识图谱具有作为可理解人工智能CAI基础的巨大潜力因为它们可以以人类和机器都能理解的形式来表示连接数据即知识。在本文中我们回顾了知识图谱 CAI 的历史明确区分了可解释人工智能XAI和可解释机器学习IML的概念并提出将 CAI 作为两者的总概念。
相关研究
在这一研究领域有几篇调查论文。例如Tiddi 和 Schlobach [35]从广义上讨论了利用 KG 的 CAI。另一方面Bianchi 等人[36] 综述了使用 KG 作为输入的一般人工智能方法并提到了这方面的 CAI 方法Lecue[37] 按 AAAI 论文类别整理了利用 KG 的 XAI 挑战和方法。
然而在以前的这些研究中XAI 和 IML 之间的概念区分并不明确这两个术语往往容易混淆。此外使用 KG 系统组织 CAI 方法的研究也很有限。
建议方法
本文提出的分类方法包括以下四个方面
1. 表示法将知识图谱表示为人工智能模型输入的一种方法。它可分为三种类型符号表示法、次符号表示法和神经符号表示法。
2. 任务CAI 方法要解决的问题类型。它们包括链接预测、节点聚类、图聚类、聚类和推荐。
3. 基础实现 CAI 的机器学习算法和方法。其中包括因式分解机、转化学习、基于规则的学习、神经网络和强化学习。强化学习。
可理解性可理解性代表了 CAI 的两种方法。可解释机器学习IML和可解释人工智能XAI。
该分类法提供了一个框架用于在知识图谱上系统地组织 CAI 方法并明确识别每种方法的特征。这样研究人员就能了解 CAI 方法之间的差异和关系从而开发新方法并改进现有方法。该分类法还可用作鸟瞰 CAI 研究趋势的工具。
调查结果
调查显示IML 有三个研究方向规则挖掘、寻路和基于嵌入。另一方面XAI 研究显示有四条路线基于规则的学习、分解方法、代理模型和图生成。 图 6 总结了 IML 和 XAI 的研究脉络。这阐明了每种方法的特点和相关性。 图 10 显示了一张热图从代表性、任务和基本方法的角度总结了调查论文。热图分别显示了 IML 和 XAI每个单元格的颜色强度表示研究的集中程度。这样当前的研究趋势和空白领域就一目了然了。例如XAI 研究表明很少有论文涉及链接预测也很少有研究使用符号或神经符号作为表征。另一方面可以看出 IML 研究中关于图聚类的论文较少而基于规则学习的研究较多。
这些图表在概述知识图谱上 CAI 研究的总体情况、确定每种方法的特点和相关性、研究趋势和未来研究机会方面发挥了重要作用。
未来展望
作者指出了今后研究知识图谱 CAI 的以下问题 将XAI 方法应用于链接预测
2.利用语义信息改进对知识图谱的解释
3.为 XAI 方法之间的比较评估建立共同标准
将IML 方法应用于图谱聚类
5.改进向用户传达 IML 模型解释的方法
