知识图中的可扩展不确定性推理

arXiv:2605.16568v1 公告类型：新 摘要：知识图对于语义数据集成至关重要。他们建模的现实世界数据通常本质上是不确定的。在知识图谱中，不确定性表现在三个不同的层面：不精确的属性值、概率三元组存在和不完整的模式知识。然而，当前的语义网标准缺乏对这种不确定性的推理的原生支持，并且原生扩展常常会导致计算困难。在本文中，我的目标是开发一个模块化框架，通过定制技术来解决每个级别的问题：(1) 为连续属性定义概率文字和相应的查询代数；(2) 基于编译的框架，将 SPARQL 来源转换为不确定三元组的易处理的概率电路；(3) 拓扑感知的几何嵌入统计模式推理。中心假设是专门的推理机制，即代数、逻辑和几何方法，可以协调语义精度和计算易处理性。