摘要
机器学习模型在数据分布变化时性能下降,且难以整合先验知识。为此,本文提出 CLARK 框架,它在马尔可夫逻辑网络形式下融合知识图谱、符号规则挖掘与概率推理。该框架将图谱结构转化为逻辑程序,并通过符号学习器提出的候选规则进行迭代 enrich,利用概率权重学习校准规则,从而实现不确定性下的推理及图谱结构优化。在两个医疗数据集上的评估表明,CLARK 显著提升了分类性能与推理的泛化能力,为构建自适应、可解释的知识驱动模型提供了原则性方法。
AI 推荐理由
论文核心提出自适应推理框架,结合知识图谱与概率逻辑解决不确定性推理问题。
研究机构
Computational Intelligence Team, Sano - Centre for Computational Personalised Medicine, Krakow, Poland
CISUC/LASI, Department of Informatics Engineering, University of Coimbra, Coimbra, Portugal
DeMaCS, University of Calabria, Calabria, Italy
论文信息