知识推理领域,事前可解释模型主要围绕规则、本体以及路径等易于
- 作者： 小象 发布时间：2024-01-13 18:20:55
- 摘要
总体来说,尽管可解释知识推理的研究已经取得了一系列研究成果,但是其研究整体还处于起步阶段,依然面临诸多挑战.其中,可解释推理主要面临事前可解释模型推理性能低下,与应用领域强绑定;事后解释方法无法反映模型真实行为、适用范围受限;缺乏统一的评测体系3大挑战.下面,本文针对上述挑战进行简单介绍并对未来的发展方向进行展望.
总体来说,尽管可解释知识推理的研究已经取得了一系列研究成果,但是其研究整体还处于起步阶段,依然面临诸多挑战.其中,可解释推理主要面临事前可解释模型推理性能低下,与应用领域强绑定;事后解释方法无法反映模型真实行为、适用范围受限;缺乏统一的评测体系3大挑战.下面,本文针对上述挑战进行简单介绍并对未来的发展方向进行展望.
对于同一个任务/场景,可以应用不同的推理方法,除了推理任务本身的精准度之外,如何去衡量这些方法在可解释性上的优劣是亟需解决的一个问题.当前,解释方法的评估没有一个明确的指标,只能对解释方法进行定性分析,无法对同类型的研究工作进行严格的、确定性的分析与比较[34].针对事前可解释的推理模型而言,其评估挑战在于如何量化模型内在的解释能力;对于事后可解释的推理模型而言,首先需要明确要评估的指标,进而从指标入手,建立评估方法.
尤其做零售、批发'>批发等商品销售的企业更是不能忽略第35类商标的注册。简单地说，就是一个产品，需要在市面上进行推广销售，就需要在这个类别先注册一个商标！当然，只是在产品上面注册这个商标，没有在第35类注册，也是可以销售的；只是，如果以后有他人抢先将产品商标在第35类注册成商标，然后用商标名字开店，销售其他家同类型产品，那就很容易造成公众混淆，带来极坏的品牌影响。
随着深度学习的发展,知识推理方法的模型结构越来越复杂,仅仅一个网络就可能包含几百个神经元、百万个参数.尽管这些推理模型在速度、稳定性、可移植性、准确性等诸多方面优于人类,但由于用户无法对这类模型里的参数、结构、特征产生直观理解,对于模型的决策过程和模型的推理依据知之甚少,对于模型的决策过程知之甚少,不知道它何时会出现错误,在风险敏感的领域中,用户仍然无法信任模型的预测结果.因此,为了建立用户和推理模型之间的信任,平衡模型准确率和可解释性之间的矛盾,可解释性知识推理在近几年的科研会议上成为关注热点.
不可否认,在利用图神经网络解决知识推理任务时,注意力机制发挥了巨大的作用,并可以在一定程度上对GNN进行解释,但是节点的1-hop邻居和2-hop邻居可能存在重叠,注意力机制会对同一节点学习到不同的权重,如何去做出正确的抉择是一个需要解决的问题.其次,注意力机制的计算通常会利用简单的神经网络进行计算,譬如前向神经网络,这使得注意力模型会增加模型整体的计算复杂度.
通过前文的叙述，开篇的问题自然也有了答案。第35类服务商标并非是“万能商标”，其需要严格遵循商标使用和保护的规则，并不是获得注册就可以一劳永逸。如果经营者仅对商品商标进行了使用，并不提供第35类上的服务，那么所注册的第35类商标则会面临被撤销的风险。从第35类服务的性质出发，其实对于不少企业来说并非具有客观的必要性。但是，如果从商标的防御性保护和风险规避的角度出发，如果企业希望建立比较完善的商标保护机制和品牌保护计划，避免其商品类商标以后被他人在第35类抢注或者侵权的麻烦，那么在第35类进行防御性注册就具有十分的必要性了。
跨省市救护车租赁服务公司,为您服务车型全,车辆多.客户的出租跨省转院救护车,租用长途急救车,租赁跨省转院救治车,市内救援车租用,急救医疗护送车租用等需求就是我司努力的目标,救护车出租包含急救,救援和护送快速反应,使命必达,开通吉林独立预约专线,随时沟通.
近年来,可解释推理引发了广泛关注,为此,我们对以上几种方法做了简单总结,并且比较了它们的优点和缺点,具体如表2所示.
事前解释模型是指模型本身内置可解释性,或者将可解释的模块整合到自身架构中的模型[33,34].对于一个训练好的学习模型,无需额外的信息就可以理解模型的决策过程或决策依据[32,33].在知识推理领域,事前可解释模型主要围绕规则、本体以及路径等易于理解的特征展开.下面,本文根据可解释的范围大小,将事前可解释的推理划分为全局可解释和局部可解释两大类.
