التمثيلات البيتا للاستدلال المنطقي متعدد الخطوات في الرسوم المعرفية

من بين المشكلات الأساسية في مجال الذكاء الاصطناعي هو إجراء الاستدلال المنطقي المعقد ذي الخطوات المتعددة على الحقائق التي يلتقطها الرسم البياني للمعرفة (KG). تعد هذه المشكلة صعبة بسبب كون الرسوم البيانية للمعرفة يمكن أن تكون ضخمة وغير كاملة. تتمثل النهج الحديثة في تمثيل كيانات الرسم البياني للمعرفة في فضاء بُعدي منخفض، ثم استخدام هذه التمثيلات لإيجاد الكيانات الإجابة. ومع ذلك، ظل التحدي الكبير هو كيفية التعامل مع استعلامات المنطق الأولي (FOL)bitrary بشكل تعسفي، حيث أن الأساليب الحالية محدودة إلى مجموعة جزئية فقط من عوامل FOL. وبشكل خاص، لا يتم دعم عامل النفي ($\neg$). كما أن هناك قيدًا إضافيًا للأساليب الحالية وهو عدم قدرتها على نمذجة الغموض بشكل طبيعي. في هذا السياق، نقدم BetaE، وهو إطار عمل تمثيلي احتمالي للاستجابة لاستعلامات FOL التعسفية على الرسوم البيانية للمعرفة. يعتبر BetaE أول طريقة قادرة على التعامل مع مجموعة كاملة من العمليات المنطقية الأولى: التقاطع ($\wedge$)، الانفصال ($\vee$)، والنفي ($\neg$). الفكرة الرئيسية في BetaE هي استخدام التوزيعات الاحتمالية ذات الدعم المحدد، وبالتحديد توزيع بيتا (Beta distribution)، وتمثيل الاستعلامات/الكيانات كتوزيعات، مما يتيح لنا أيضًا نمذجة الغموض بدقة. يتم تنفيذ العمليات المنطقية في فضاء التمثيل بواسطة عوامل عصبية فوق التمثيلات الاحتمالية. نوضح أداء BetaE في الاستجابة لاستعلامات FOL التعسفية على ثلاثة رسوم بيانية كبيرة ومجزأة للمعرفة. بينما يكون أكثر عمومية، فإن BetaE يزيد الأداء النسبي بنسبة تصل إلى 25.4% مقارنة بأحدث أساليب الاستدلال في الرسوم البيانية للمعرفة التي تستطيع التعامل فقط مع استعلامات التقاطع دون النفي.