Resumen: los métodos basados en reglas para la finalización del gráfico de conocimiento proporcionan resultados explicables, pero a menudo requieren una cantidad significativamente grande de reglas para lograr un rendimiento competitivo. Esto puede obstaculizar la explicabilidad debido a conjuntos de reglas abrumadoramente grandes. Descubrimos contextos de reglas (subconjuntos significativos de reglas que trabajan juntas) a partir de los datos de capacitación y utilizamos la distribución de probabilidad aprendida (es decir, circuitos probabilísticos) sobre estos contextos de reglas para lograr más rápidamente el rendimiento del conjunto de reglas completas. Nuestro enfoque logra una reducción del 70-96% en el número de reglas utilizadas al tiempo que supera la línea de base de hasta 31 $ veces $ cuando se usa un número mínimo equivalente de reglas y preserva el 91% del rendimiento de la línea de base máximo, incluso al comparar nuestros conjuntos de reglas mínimas con los conjuntos de reglas completas. Mostramos que nuestro marco se basa en una semántica bien conocida de la lógica probabilística, no requiere suposiciones de independencia, y que nuestro procedimiento de inferencia manejable proporciona límites inferiores aproximados y probabilidad exacta de una consulta dada. La eficacia de nuestro método es validada por los estudios empíricos en 8 conjuntos de datos de referencia estándar donde mostramos un rendimiento competitivo al usar solo una fracción de las reglas requeridas por el método de inferencia estándar de AnyBurl, el estado actual para la finalización del gráfico de conocimiento basado en reglas. Este trabajo puede tener más implicaciones para el razonamiento probabilístico general sobre los conjuntos de reglas aprendidos.
Publicado Originalme en export.arxiv.org El 11 de agosto de 2025.
Ver Fuente Original
