지식 그래프에서의 불확실성은 속성값 불정확성, 트리플 존재 확률성, 스키마 불완전성의 세 가지 수준으로 나타나지만 현행 시맨틱 웹 표준은 이를 지원하지 않습니다. 이 논문은 각 수준을 맞춤 기법으로 해결하는 모듈식 프레임워크를 제안합니다. 연속 속성의 확률적 리터럴 정의, SPARQL 프로브넌스의 트랙터블 확률 회로 변환, 위상 인식 기하 임베딩을 통해 의미적 정밀성과 계산 효율성을 동시에 달성하는 것이 목표입니다.
- •지식 그래프의 불확실성을 속성값·트리플 존재·스키마 3단계로 구분하고 각각 맞춤형 추론 기법을 적용하는 모듈식 프레임워크를 제안합니다.
- •SPARQL 프로브넌스를 트랙터블 확률 회로로 컴파일해 불확실한 트리플에 대한 효율적 확률 추론을 가능하게 합니다.
- •위상 인식 기하 임베딩을 통해 통계적 스키마 추론에서 의미적 정밀성과 계산 효율성을 동시에 달성하는 것이 목표입니다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Scalable Uncertainty Reasoning in Knowledge Graphs
- 1.지식 그래프의 3가지 불확실성(속성값, 트리플 존재, 스키마 지식)을 각각 맞춤형 기법으로 처리
- 2.확률적 리터럴, SPARQL 출체 기반 확률 회로, 위상 인식 기하학적 임베딩 적용
- 3.의미론적 정밀도와 계산 처리 가능성을 조화시키는 모듈형 프레임워크 제안
왜 중요한가?
실세계 데이터의 불확실성을 처리하는 지식 그래프 추론 프레임워크로, 보다 신뢰할 수 있는 지식 기반 AI 시스템 구축에 기초적인 기여를 한다.
본문 미리보기
arXiv:2605.16568v1 Announce Type: new Abstract: Knowledge Graphs are pivotal for semantic data integration. The real-world data they model is often inherently uncertain. Within knowledge graphs, uncertainty manifests in three distinct levels: imprecise attribute values, probabilistic triple existence, and incomplete schema knowledge. However, current Semantic Web standards lack native support for reasoning over such uncertainty, and na\"ive extensions often incur computational intractability. I
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
