摘要
机器学习模型广泛应用于自动化分类任务，通过从数据中提取统计模式。然而，当数据分布发生变化时，它们的性能会显著下降，导致难以处理不确定和不断变化的信息。此外，这些模型对整合先验知识的支持有限。
为了解决这些问题，我们提出了 CLARK（Closed-loop Learning for Adaptive Reasoning over Knowledge Graphs），一个将知识图谱、符号规则挖掘和概率推理相结合的框架，基于逻辑程序与马尔可夫逻辑网络（LP$^{\text{MLN}}$）形式。CLARK 从 CACTUS 派生的知识图谱开始，翻译图结构为 LP$^{\text{MLN}}$ 程序，并通过符号学习者提出的候选规则进行迭代丰富。
这些规则通过概率权重学习进行校准，从而实现不确定性下的推理和基础图结构的优化。我们在两个医学数据集上评估了 CLARK，分析了规则质量和下游分类性能。结果表明，CLARK 提高了分类性能，并使推理更具可泛化性。总体而言，CLARK 为构建适应性、可解释的知识驱动分类模型提供了一个原则性的方法。
博主点评： CLARK 框架通过结合知识图谱和概率推理，解决了传统机器学习模型在动态环境中的不足，展现了强大的适应性和可解释性。这种创新的设计不仅提升了分类性能，也为研究不确定性问题提供了新思路，值得关注和深入探索。