跳转至

Moose：$mathcal{EL}^{++}$ 中具备推理捷径感知能力的潜在概念学习

文章背景与核心概要

OWL 2 EL 描述逻辑配置文件支撑了许多最大的生产级本体，例如基因本体（Gene Ontology）和 SNOMED CT。虽然现有的神经符号（NeSy）学习方法主要接受命题理论或 Datalog，但在本体设置中，推理捷径（Reasoning-Shortcut, RS）感知此前一直未得到研究。

本文介绍了 Moose，这是一种将 \(\mathcal{EL}^{++}\) TBox（术语盒）和有限 ABox（断言盒）编译为句法决策图（Sentential Decision Diagram, SDD）的新方法。通过作为可微分的加权模型计数层——并在声明的穷举族上补充超出 \(\mathcal{EL}^{++}\) 配置文件的闭包子句——Moose 克服了 \(\mathcal{EL}^{++}\) 在部分监督下面临的表达能力受限问题。作者证明了该方法的终止性、可靠性、完备性以及多项式中间大小，并在 Lean 中验证了所有证明。此外，他们定义了 OWL EL 本体上的首个形式化部分监督潜在概念学习任务，并在 MNIST-with-ontology 和 Pizzaïolo 基准测试上对 Moose 进行了评估，证明其显著优于命题-神经符号、模糊逻辑和本体嵌入基线方法。

摘要 (Abstract)

The OWL 2 EL profile is used in some of the largest production ontologies, including the Gene Ontology and SNOMED CT. Existing neuro-symbolic (NeSy) learning methods accept propositional theories or Datalog, and reasoning-shortcut (RS) awareness has not been investigated in ontology settings. We present Moose, a method that compiles an \(\mathcal{EL}^{++}\) TBox and finite ABox to a Sentential Decision Diagram (SDD). The SDD acts as a differentiable weighted-model-counting layer, and we add closure clauses outside the \(\mathcal{EL}^{++}\) profile on declared exhaustive families to overcome the limited expressivity of \(\mathcal{EL}^{++}\) under partial supervision. We show termination, soundness, completeness, and polynomial intermediate sizes, and validate the proofs in Lean. We then define the first formal partial-supervision latent-concept-learning task over an OWL EL ontology, i.e., learning per-individual classifiers for latent concepts from observed ABox literals, and evaluate Moose on MNIST-with-ontology and Pizzaïolo. Moose improves over propositional-NeSy, fuzzy-logic, and ontology embedding baselines, and presents the first reasoning-shortcut analysis in an OWL EL setting.

OWL 2 EL 描述逻辑配置文件被用于一些最大的生产级本体中，包括基因本体（Gene Ontology）和 SNOMED CT。现有的神经符号（NeSy）学习方法主要接受命题理论或 Datalog，而在本体设置中尚未对推理捷径（RS）感知进行研究。我们提出了 Moose，这是一种将 \(\mathcal{EL}^{++}\) TBox 和有限 ABox 编译为句法决策图（SDD）的方法。SDD 充当可微分的加权模型计数层，我们在声明的穷举族上添加了超出 \(\mathcal{EL}^{++}\) 配置文件的闭包子句，以克服 \(\mathcal{EL}^{++}\) 在部分监督下表达能力有限的问题。我们证明了其终止性、可靠性、完备性和多项式中间大小，并在 Lean 中验证了这些证明。随后，我们定义了 OWL EL 本体上的首个形式化部分监督潜在概念学习任务（即从观察到的 ABox 字面量中学习潜在概念的个体级分类器），并在 MNIST-with-ontology 和 Pizzaïolo 上评估了 Moose。Moose 优于命题-神经符号、模糊逻辑和本体嵌入基线，并首次在 OWL EL 设置中进行了推理捷径分析。

元数据与出版详情 (Metadata & Publication Details)

  • arXiv ID: arXiv:2608.12961 [cs.AI]
  • 学科分类 (Subjects): 人工智能 (cs.AI)
  • 主要收录会场 (Primary Venue): 已被 ISWC 2026 研究赛道（Research Track）接受
  • 提交日期 (Submission Date): 2026年8月13日
  • 作者 (Authors):
  • Olga Mashkova
  • Asaad Mohammedsaleh
  • Fernando Zhapa-Camacho
  • Robert Hoehndorf