Проблема неполноты в онтологиях
OWL-онтологии являются стандартом для семантического вывода в таких областях, как биомедицина и здравоохранение. Однако на практике реальные онтологии часто содержат пробелы. Традиционные логические механизмы не могут сделать вывод, если информация отсутствует, что делает невозможным проверку гипотез или поиск скрытых связей. Классические методы абдукции требуют заранее заданного набора кандидатов, что ограничивает их применимость.
Архитектура NeurOWL
Команда разработала NeurOWL — фреймворк, объединяющий формальную семантику OWL и текстовые представления через большие языковые модели. Система решает две задачи одновременно:
- Верификация: Определение, является ли кандидат на подчинение (subsumption) семантически правдоподобным, даже если он не выводится явно.
- Абдукция: Генерация логически обоснованного объяснения, включающего потенциальные недостающие аксиомы, без необходимости предварительного задания множества кандидатов.
Методология и результаты
NeurOWL использует онтологические эмбеддинги для структурирования знаний и LLM для интерпретации текстового контекста и генерации гипотез. Оценка проводилась на реальных онтологиях из различных предметных областей. Результаты показали высокую устойчивость модели к неполноте данных и способность генерировать интерпретируемые логические цепочки.
| Компонент | Роль в NeurOWL |
|---|---|
| OWL-семантика | Обеспечивает формальную строгость и проверку логики |
| LLM (Large Language Models) | Генерация гипотез и текстовых объяснений |
| Онтологические эмбеддинги | Векторное представление структуры знаний |
| Абдуктивный модуль | Поиск недостающих аксиом для подтверждения гипотезы |
Значение для индустрии
NeurOWL закрывает критический пробел между жесткой логикой символьных систем и гибкостью нейросетей. Это позволяет автоматизировать проверку гипотез в научных базах знаний, где полная информация собрать невозможно, и снижает порог входа для использования онтологий в сложных сценариях.
Источник: arXiv cs.AI ↗