1. 引言
知识表示与推理（KRR）仍然是人工智能的基石。它们提供结构化基础——无论是有符号的、亚符号的还是混合的——使智能系统能够组织信息、在不确定性下进行推理并支持推断。过去几年中，该领域已超越经典的逻辑框架，同时仍在此基础上不断构建。知识图谱已成熟为一种实用的基础设施，用于编码实体、关系和时间变化。图神经网络已成为针对此类结构进行学习的广泛使用工具。模糊和概率形式化方法继续为处理模糊性和不确定性提供原则性方法。与此同时，知识表示越来越多地被嵌入到视觉、语言、医疗、安全和多变量信号分析等模型中，而不再仅仅被视为一个独立的下游层。
有符号结构、统计学习和领域特定表示的融合，正是本期特刊"人工智能中的知识表示与推理"所旨在探讨的领域。征稿邀请投稿涵盖认知架构、深度知识表示、可解释人工智能、基于图的知识图谱方法、基于知识的系统、概率和不确定推理，以及在自然语言处理、计算机视觉、音频分析和大数据中的应用。本期特刊最终汇集了两篇被《Electronics》期刊接收的论文。这些论文共同表明，知识表示不仅是一个成熟的研究领域，也是当代人工智能许多方面中一个实用的设计关切。
2. 贡献
本特刊中的几篇贡献推进了知识图谱的构建和嵌入，作为表示和推理的基础。Kim、Kim 和 Choi [贡献1] 介绍了 VulnPattern-TKG，一个用于漏洞模式分析的端到端时间知识图谱框架。该框架从超过200,000个 CVE 漏洞描述中提取弱点因素、利用结果和利用前提之间的关系建模。它不是预测每个单独漏洞的利用情况，而是预测漏洞关系类别如何随时间演变。它将实体提取、基于依赖解析的关系规则以及时间置信度加权图嵌入方案相结合，以支持人类分析师审查。他们的研究是一个有用的范例，展示了如何关注可用数据的局限性来设计时间知识图谱。
Yu、Zhang、Hu 和 Ji [贡献2] 解决了知识图谱嵌入中的一个互补结构性问题：如何表示概念的分层、树状组织。他们的高超球锥概念嵌入（HCCE）模型将概念表示为高超球锥，将实例表示为向量。它利用相对几何位置来建模不相交和重叠的概念对。他们的研究表明，通常被视为辅助信息的概念层次结构，反而可以作为表示空间本身的一部分进行嵌入。
另一篇贡献将基于图的表示应用于临床预测。Mehryar 和 Dumontier [贡献3] 提出了 SeqGNN，一种序列图神经网络，它在患者健康知识图谱上建模患者就诊轨迹。该模型用于诊断、再入院和死亡率预测，特别关注心力衰竭相关任务。通过将时间动态与基于图的患者表示和预测不确定性相结合，他们突出了结构化临床知识在高风险预测场景中的价值。
Castronovo、Filippone、Galici、La Rosa 和 Tabacchi [贡献4] 探讨了模糊性下的推理。他们提出了一种用于本体模糊化的模糊多准则群体决策方法。该方法汇集专家判断，并为原本明确本体中的实体和关系分配隶属度。它在认知任务本体和脑筋急转弯本体上进行了评估。这项贡献很重要，因为许多知识库仅仅是出于建模选择而保持明确的。在实践中，专家知识往往涉及部分隶属、不确定性和渐变。
几篇论文将表示的概念扩展到感知、预测和模式识别。这些工作并非都是狭义符号意义上 KRR 的例子。它们的相关性在于如何通过特征、架构、注意力机制和结构化数据视图来编码领域知识。例如，Fu、Shaharom 和 Syed Ali [贡献5] 将改进的 Mamba 架构与注意力增强的 Bi-LSTM 相结合，从健康调查数据中分类肥胖风险并识别关键决定因素。他们的研究将预测建模与可解释特征表示联系起来，这在健康相关应用中尤为重要，因为模型输出需要与有意义的因素相连接。Liao、Chen、Wang、Rashid、Xu 和 Fan [贡献6] 专注于自动驾驶中的轻量级实例分割。他们将一个无参数注意力机制嵌入到 YOLO11 主干网络中，并用空间感知和高效替代方案替换标准卷积。对于本特刊而言，他们的贡献在于其处理计算约束下视觉场景表示的方式，其中语义丰富度和实时效率必须取得平衡。Liu、Chen、Hu 和 Zong [贡献7] 提出了一种用于轴承故障诊断的多视图框架。他们的方法融合了振动信号的时间域、频域和小波域表示。跨注意力机制捕捉视图内和视图间的依赖性。他们的论文说明了如何将同一信号的不同表示集成起来以支持更鲁棒的诊断。
最后，Zhou、Shi、Wang、Kong、Gao 和 Zhong [贡献8] 重新审视了基于知识的推理中更为经典的一脉：关联规则挖掘。他们的提示更新算法将布尔向量内积与蚁群优化相结合，以高效提取频繁项集。该方法在体育分析、疾病-症状关联和雷达目标类型识别中进行了验证。他们的研究表明，符号和基于规则的知识发现与神经方法同样有用，尤其是在速度和可解释性重要的情况下。
3. 结论
纵观这八篇贡献，未来研究有几个方向值得关注。首先，时间和动态知识表示值得持续关注。漏洞预测和患者轨迹研究都表明，演变的知识结构可以承载静态快照可能遗漏的信息。同时，动态图的稳健评估仍然困难，特别是当候选空间较小、未来标签稀疏或目标事件本身具有不确定性时。其次，不确定性感知推理应与基于图和深度表示更紧密地连接。在本特刊中，模糊本体建模和预测不确定性在不同场景中被探索。这些研究通常仍与图嵌入和神经架构分开进行。然而，它们之间的更紧密连接可以产生既可学习又能更明确揭示自身局限性的表示。第三，领域嵌入表示变得越来越重要。在医疗、安全、自动驾驶和故障诊断中，知识表示不再只是一个事后解释层；它通常被构建到数据提取、模型架构、特征构建或注意力设计中。这一趋势前景光明，但也提出了对更强可解释性保证的需求，尤其是在安全关键领域。最后，效率和可扩展性反复作为整个特刊中的实际约束出现。它们出现在轻量级实例分割、紧凑知识图谱嵌入和快速规则挖掘中。随着基于知识的 AI 系统向更大规模和更实时使用发展，计算成本应被视为一等设计准则。
总体而言，本期特刊呈现了八篇涵盖时间和层次知识图谱、模糊本体推理、临床预测、视觉感知、信号诊断和规则挖掘的贡献。与其将 KRR 呈现为单一方法或封闭子领域，这一合集展示了表示选择如何塑造数据提取、模型设计、解释和下游推理。我们希望这一合集能够成为知识表示和推理领域研究者的有用参考，也能为将这些理念引入新应用领域的研究者提供一个易于上手的入口。这些论文还指向了我们认为将塑造该领域下一阶段研究的几个开放问题：时间动态、不确定性集成、领域嵌入可解释性和计算效率。
