人工智能主要包含数据驱动和知识驱动两大范式。传统机器学习方法主要依赖数据驱动范式，依赖海量数据，外推能力差，通用性与泛化能力有限。与之相对，知识驱动范式可有效集成仅人类所能理解的复杂领域知识，可解释强，具有更好的通用性，可与数据驱动范式优势互补。近年来，知识图谱因其高效的组织形式成为知识的主要载体，在诸多行业取得成功应用，使得知识驱动范式逐渐受到业界重视。同时，国家标准委、网信办等五部分联合印发的《国家新一代人工智能标准体系建设指南》中，将机器学习和知识图谱同时列为人工智能的关键通用技术。由此可见，数据知识联合驱动的范式势将成为新一代人工智能的显著特征。本次报告将聚焦于社会媒体、网络空间安全两个重大领域，介绍报告人在跨媒体知识图谱构建及学习方面的最新进展。针对图谱构建，将从数据采集、数据存储、图谱结构设计、系统接口服务、知识图谱可视化等多个方面分享跨媒体知识图谱构建的基本思路和实践经验。针对图谱构建过程中遇到的数据标注不可信难题，介绍所提出的基于HodgeRank的异常样本发现框架；该框架从几何拓扑视角定量挖掘异常标注样本的数学特征，从而保证图谱中知识的准确性。同时，在图谱下游应用中，传统模型以准确率作为优化准则，仅考虑单一阈值下性能，而实际场景中阈值往往随需求动态变化，因而难以保证模型预测结果的可靠性。针对该问题，将介绍所提出的基于X-curve的模型优化框架，该框架以AUROC、AUPRC、AUTKC等性能曲线为模型优化准则，综合考虑不同阈值下的模型性能，从而保证模型在复杂应用场景下的可靠性。
扩展阅读
1.【人工智能哲学】记忆 Memories
3. 清华张钹院士：迈向第三代人工智能
4. 人工智能预测蛋白质“光学指纹”
编辑：王媛媛
蔻享学术平台，国内领先的一站式科学资源共享平台，依托国内外一流科研院所、高等院校和企业的科研力量，聚焦前沿科学，以优化科研创新环境、传播和服务科学、促进学科交叉融合为宗旨，打造优质学术资源的共享数据平台。
版权说明：未经授权严禁任何形式的媒体转载和摘编，并且严禁转载至微信以外的平台！
原创文章首发于蔻享学术，仅代表作者观点，不代表蔻享学术立场。
转载请在『蔻享学术』公众号后台留言。
点击阅读原文～发现惊喜！