arXiv cs.AI· Olaoluwa Adigun, Akash Kumar Panda, Bart Kosko·· 10 小时前AI 评分18
用反馈模糊认知图混合方法整合相关专家知识
Combining Relevant Expert Knowledge Using Mixtures of Feedback Fuzzy Cognitive Maps
AI 导读
研究提出一种神经符号系统方法，仅混合与查询相关的专家反馈模糊认知图（FCM），将相关性定义为同时具备证明力与实质性的答案。该方法通过比较专家与混合FCM的极限环预测差异来估计答案的证明力，并用新的类贝叶斯定理将知识混合体分解为后验式FCM，为每个查询生成不同的相关性混合权重。研究基于一个13节点的缺血性卒中风险专家FCM生成合成FCM进行演示。
正文 · AI 翻译
摘要：一个神经符号系统应当只整合来自专家代理或其他知识源的相关答案。随着知识网络不断扩展并连接越来越多的知识源，针对给定输入查询仅使用相关专家对于准确性和可扩展性变得愈发重要。我们扩展了证据法理论中相关性的标准定义：当且仅当在现有知识条件下，一个答案对当前事项既具有证明力又具有实质性时，该答案才是相关的。我们将这一相关性方案应用于混合真实或人工专家的反馈模糊认知图（FCM）。专家的 FCM 有向因果图被混合或组合成一个共同的知识网络。我们将专家的均衡极限环预测或答案与混合 FCM 的答案进行比较，然后通过它们的差异或变化来估计答案的证明力状态。一个新的类贝叶斯定理将知识混合体解混为相应的后验式 FCM，这也允许进行基于相关性的比较。结果是一组最终的相关性混合权重，为给定查询生成一个相关性混合的 FCM 知识网络。因此不同的查询会产生不同的相关性混合 FCM。我们使用由实际 13 节点专家 FCM（该模型对缺血性卒中风险的原因和反馈进行建模）生成的合成 FCM 来演示这种相关性方法。
| 评论： | 8 页，8 幅图，2 张表 |
| 主题： | 人工智能（cs.AI）；信息检索（cs.IR）；符号计算（cs.SC） |
| 引用为： | arXiv:2611.05664 [cs.AI] |
| （或 arXiv:2611.05664v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.05664 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Olaoluwa Adigun [查看电子邮件]
[v1]
2026 年 11 月 3 日星期二 21:50:07 UTC（3,174 KB）
来源：arXiv cs.AI · arxiv.org