.png){kind=icon}
返回
Learning Interpretable Probabilistic Models and Schema Axioms for Knowledge Graphs
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-08887-1_11.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在描述逻辑表达的知识图谱背景下，我们研究了从不完整数据中学习简单分类器作为概率图模型的问题。具体而言，我们从个体二元编码出发，构建基于多元伯努利分布的朴素贝叶斯分类器。随后，我们将这些分类器扩展为双层网络，将分类模型连接到由伯努利混合分布构成的底层。我们展示了如何从这些模型中提取（概率性）公理或规则，从而提高可解释性。此外，这些模型可以利用专家知识进行初始化。我们呈现并讨论了实证评估结果，测试了模型在多个本体上的随机分类问题中的有效性。
Keyword:
knowledge graph
probabilistic graphical model
interpretability
期刊
R
IF:
0
论文数:
15
被引数:
0
机构
引用论文
Towards Interpretable Probabilistic Classification Models for Knowledge Graphs.png)
2022 16th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS)
2022 16th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS)IF0
PREAI
分享收藏分享收藏
分享收藏分享收藏
查看更多内容