ontology
PulseAugur coverage of ontology — every cluster mentioning ontology across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
本体解释：为 AI 代理定义含义
本文介绍了本体论在人工智能和数据管理背景下的概念。它解释说，本体论是对概念化的显式、机器可读的规范，将其与非正式定义或分类法区分开来。作者使用 SaaS 客户流失定义的实际示例来说明，缺乏正式的本体论会导致 AI 代理解释数据时产生歧义和错误。这篇是旨在为 AI 应用构建一个受管理的意义层级的五部分系列文章的第一篇，从以机器可读格式定义客户流失规则开始。
-
AI对相同问题的不同回答揭示了“本体论”挑战
当AI模型被不同部门问及相同问题时，返回了不同的数值答案。这种差异凸显了当前围绕AI语境下所谓的“本体论”所面临的挑战和理解。
-
新系统通过本体引导的提取增强知识图谱构建
研究人员开发了一种新颖的提取层，旨在提高从不同文档类型构建知识图谱的准确性和一致性。该系统利用本地托管的Qwen3.5-9B模型，在正式本体的指导下提取实体和关系。一项关键创新是动态检索相关的本体切片，显著降低了目录开销。该系统包含一个多阶段优化流程，包括复杂的去重算法和一个嵌入解析子系统，以确保高质量、合并的知识图谱，并提高搜索召回率和纠正质量缺陷。
-
新研究探索了本体驱动的检索和基于LLM的本体生成
两篇研究论文探讨了信息检索和本体生成的先进方法。第一篇已撤回的论文提出了一种本体驱动的方法，通过整合语义资源和用户配置文件，实现从XML文档中个性化信息检索。第二篇论文介绍了RIGOR，一个检索增强的迭代生成管道，它使用LLM将关系数据库模式转换为语义丰富的OWL2DL本体，只需最少的人工干预。两篇论文都强调了语义网技术和LLM在增强数据理解和可访问性方面的潜力。
-
描述逻辑程序的新语义提高了复杂性和表征能力
研究人员为描述逻辑程序引入了一种新颖的语义，旨在解决现有良支撑语义的局限性。新方法为一致性问题提供了改进的计算复杂性，将其保持在NP完全的范围内，并通过不动点算子和约简变换提供了表征。这种更严格的语义在保持良支撑性的核心概念的同时，提供了更精细的概念，使其更贴近传统的逻辑编程原则。
-
招聘神经符号AI与知识图谱研究员
现有一个研究职位开放给对神经符号AI和知识图谱感兴趣的个人。该职位涉及参与Platform MaterialDigital项目，并需要本体论和大型语言模型的专业知识。该职位适合博士或博士后级别研究员。
-
Agent 内存需要本体论，但团队常混淆两种不同类型
构建 Agent 内存系统需要仔细考虑本体论，本体论可以有两种截然不同的方法。第一种，本体论即提取模式（ontology-as-extraction-schema），涉及在提示或函数调用中使用受限的词汇表，以确保一致的数据提取，例如标记供应商或合同状态。这种方法很轻量级，通常在 YAML 或 Pydantic 模式等简单文件中管理，并且足以满足单一平台部署。第二种，本体论即语义基础设施（ontology-as-semantic-inf…
-
新研究详细介绍了使用LLM助手进行本体验证的挑战
一篇新论文探讨了本体能力问题（CQ）验证中的挑战，该过程用于评估本体是否准确地模拟了其预期目的。研究强调，由于需要精确解释语言细微差别并与形式本体结构对齐，CQ验证通常耗时且容易出错。该研究让19名参与者使用LLM助手进行本体评估，揭示了需要工具来完善CQ并防止本体工程后期出现歧义或复杂性。
-
AI数据瓶颈、医疗应用及自主自动化进展 · 追踪4个来源
一份报告指出，生成式AI项目可能在2028年前超出预算，表明数据而非模型性能是金融AI应用的主要瓶颈。此外，AI正被开发用于解读心电图以预测心血管疾病，AI代理正迈向持续自动化时代。这些进展凸显了AI在金融服务、医疗保健及更广泛自动化战略等各个领域日益增长的融合。
-
KAPPS架构利用知识图谱实现循环制造
研究人员开发了KAPPS，一种专为循环制造系统设计的、新颖的知识驱动架构。该架构解决了在再利用产品中处理异构材料和动态过程的固有挑战。KAPPS利用本体驱动的知识图谱作为其核心数据骨干，实现了跨异构系统的强大集成、推理和通信。该系统还包括用于约束执行和事件驱动规划的模块，以适应不确定性下的执行计划并促进人机知识交换。
-
AI问题探讨生活中最难形式化映射的类别
用户正在询问在AI、知识表示和语义网技术的背景下，将生活的某些方面映射到形式化系统的难度。这个问题探讨了哪些生活类别在形式化表示方面最具挑战性。
-
LLM系统助力激光粉末床熔融中的可解释缺陷分析
研究人员开发了一种新的决策支持系统，该系统结合了关于缺陷的结构化知识和大型语言模型（LLM），用于分析和指导激光粉末床熔融（LPBF）制造中的缓解策略。该系统利用了集成本体的LLM，其中包含一个包含27种缺陷类型及其因果关系的知识库。它支持自然语言查询以获取缺陷解释和缓解建议，并包括一个多模态图像评估模块，用于解释缺陷图像。评估显示，集成系统取得了0.808的宏平均F1分数，展示了改进的一致性和可解释性。
-
GNNs 创建层级感知的知识图谱嵌入用于酵母表型预测
研究人员开发了一种新颖的方法，使用图神经网络（GNNs）为知识图谱创建层级感知的嵌入。该方法结合了源自本体的语义损失，以更好地表示领域知识。该方法应用于预测酵母表型，在双基因敲除实验中取得了 0.360 的平均 R^2 分数，优于基线模型。结合语义损失进一步将预测性能提高到 R^2=0.377，证明了本体结构在定量预测中的价值，并可能指导生物学发现。