PROV-O: The PROV Ontology
PulseAugur coverage of PROV-O: The PROV Ontology — every cluster mentioning PROV-O: The PROV Ontology across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新基础设施增强制造知识图谱的信任度
研究人员开发了一种可组合信任基础设施，旨在提高制造知识图谱的可靠性。该系统集成了四项关键功能：SHACL验证、PROV-O溯源、领域感知双时态版本控制以及原生图决策对象。通过使用共享的相关标识符，这些组件协同工作，提供涌现的信任属性，例如仅靠任何单一功能都无法实现的完整链条审计能力。该基础设施已在包含十一个不同工业数据源的测试平台上得到验证，证明了其在整合不同信息以改进决策方面的有效性。
-
为自主科学代理提出新的可观测性配置
一篇新的研究论文提出了一种新颖的方法来增强自主科学代理的可观测性和可审计性。所提出的系统侧重于跟踪这些代理生成的工件和声明，认识到科学系统中的故障通常源于各种对象之间复杂的相互依赖关系。这种以工件为中心、感知声明的可观测性配置旨在提供一个语义层，以补充现有的遥测和来源跟踪工具，从而实现更强大的科学审计。
-
全球人工智能法规比较：欧盟、美国、中国面临合规差距
一项新的比较研究分析了欧盟、美国和中国的人工智能法规，重点关注高风险用例以及公平、问责和可信赖（FAIR）原则的实施。研究强调了在互操作性要求、人工智能与特定行业及数据保护法规的整合以及关键数字基础设施治理方面存在的反复出现的差距。为应对这些挑战，该论文提出了知识块（Knowledge Blocks），一种使用RDF/OWL、SHACL和PROV-O的可机器检查的合规性构件模式，旨在促进跨不同监管制度的、可审计的合规性设计。
-
新本体BZKO增强了对德国战后赔偿记录的访问
研究人员开发了BZK本体（BZKO），以语义化方式表示和整合德国中央联邦卡片索引的历史赔偿记录。这个双层本体将领域语义与互操作性构造分开，结合了基于BFO的现实主义与RiC-O和PROV-O等档案标准。目标是实现“Wiedergutmachung”档案材料的溯因整合到数字人文基础设施中，为未来的知识图谱生成和本体验证提供便利。
-
新系统通过可编程知识块实现人工智能合规自动化
研究人员开发了本体知识块（OKBs），这是一个旨在使人工智能合规性更自动化和可扩展的新系统。OKBs使用结构化证据图和SHACL验证规则将监管义务转化为机器可检查的约束。这种可编程基础设施允许在不更改AI服务代码本身的情况下动态重新配置治理配置文件。原型在HPC资源分配场景中进行了测试，展示了高效的验证时间和管理不同治理配置文件的能力。