科学研究

随着人工智能加速向医疗诊断、智能决策和风险评估等复杂开放场景拓展，如何准确表示并可靠推理真实世界中的不确定知识，已成为人工智能由“感知智能”迈向“认知智能”的重要基础问题。传统知识图谱通常采用确定性的二值表示方式，而现实知识往往受到实体歧义、关系判断偏差、信息缺失和观测噪声等因素影响。已有模糊知识图谱方法大多仅为整个知识三元组赋予单一置信度，难以进一步定位不确定性的具体来源，也容易造成低可信信息在图结构传播过程中的累积与放大。

针对上述问题，西北工业大学光电与智能研究院黄庆华教授团队提出了细粒度模糊知识图谱表示学习框架FGF-GAT。该框架分别刻画头实体、关系和尾实体的不确定程度，使模型能够识别知识模糊性的具体来源，并从可靠性建模、信息聚合和通用推理三个层面提升知识表示与推理能力。相关成果以《Complete Fuzzy Knowledge Representation with Knowledge Graph Embedding》为题，被人工智能与模式识别领域顶级国际期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（IEEE TPAMI）正式录用。

该研究首先提出可学习神经模糊推理机制，将实体和关系的细粒度隶属度转化为自适应可靠性信号，并通过模糊规则显式刻画不同不确定因素之间的非线性交互，从而增强推理过程的可解释性与可追溯性。在此基础上，团队设计了规则约束模糊图注意力机制，将可靠性信号直接引入邻域信息聚合过程，使模型能够强化高可信知识、抑制低可信噪声，避免不可靠信息在多跳传播中持续放大。此外，该研究提出了解码器无关的模糊知识注入机制，可灵活适配TransE、DistMult和RotatE等经典知识图谱表示模型，实现不确定性感知编码与不同推理模型的即插即用结合。研究团队在多个数据集上开展了实体预测、关系预测、消融分析及参数敏感性实验。结果表明，FGF-GAT在多项任务上取得了领先或具有竞争力的性能，并在复杂、噪声较强的知识环境中展现出良好的鲁棒性和适应能力。 该研究推动了知识图谱表示学习从确定性建模和三元组级置信度建模，进一步向细粒度、可解释和可靠的模糊知识表示与推理发展，可为医学知识推理、临床辅助决策、智能风险评估及高可靠人工智能系统提供新的理论与技术支撑。

论文第一作者为西北工业大学光电与智能研究院博士研究生李皓宁，通讯作者为西北工业大学光电与智能研究院黄庆华教授。

（文：李皓宁，审核：赵斌）