🤖 AI

NeurOWL: An LLM-Based Neural-symbolic Framework for Incomplete OWL Ontology Reasoning

El artículo presenta NeurOWL, un marco neuro-simbólico de extremo a extremo que aprovecha los Modelos de Lenguaje de Gran Escala y las incrustaciones de ontologías para verificar la plausibilidad semántica de la subsunción en ontologías OWL incompletas y generar explicaciones lógicamente sólidas con posibles axiomas faltantes.

Autores originales: Hui Yang, Jiaoyan Chen, Yiping Song, Renate Schmidt, Wen Zhang

Publicado 2026-07-20

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hui Yang, Jiaoyan Chen, Yiping Song, Renate Schmidt, Wen Zhang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando resolver un misterio intergaláctico masivo, pero a tu libro de pistas le faltan varias páginas. Tienes una lista de reglas sobre cómo se relacionan los diferentes personajes entre sí —como "Todos los gatos son mamíferos" o "Todos los mamíferos producen leche"— pero el libro no dice explícitamente "Todos los gatos persas son animales". En el mundo de la informática, esto se llama una ontología. Piensa en una ontología como una enciclopedia digital súper organizada que enseña a una computadora cómo entender el mundo. Utiliza un lenguaje estricto llamado OWL (Web Ontology Language) para definir reglas de modo que las máquinas puedan razonar, o "pensar", sobre cómo encajan las cosas.

Sin embargo, las enciclopedias del mundo real rara vez son perfectas. A menudo están incompletas porque el mundo es demasiado grande para escribir cada una de sus reglas, o porque los expertos no han tenido tiempo de terminar el trabajo. Cuando una computadora intenta usar estas enciclopedias "rotas", se queda bloqueada. No puede probar que un gato persa sea un animal porque la regla específica que los conecta falta. Este es un gran problema en campos como la atención médica y la biología, donde perder una conexión podría significar perder una cura o un diagnóstico. Los científicos han intentado solucionar esto pidiendo a las computadoras que adivinen las reglas faltantes, pero usualmente necesitan una lista preescrita de posibles conjeturas, lo que es como intentar encontrar una aguja en un pajar cuando solo se te permite mirar en una caja diminuta y predefinida.

Entra NeurOWL, un nuevo marco de trabajo que actúa como un detective con un superpoder. En lugar de estar atrapado con una pequeña caja de conjeturas, NeurOWL combina la lógica estricta de una computadora con la intuición creativa de un Modelo de Lenguaje Grande (un IA que lee y comprende el texto humano). No solo verifica si una regla es verdadera; intenta descubrir por qué podría serlo incluso si al libro de reglas le falta una página, y luego escribe la página faltante por ti. Es como tener un detective que puede observar la escena de un crimen, darse cuenta de que falta un testigo y luego usar su conocimiento del vecindario para adivinar exactamente quién podría ser ese testigo, todo mientras se asegura de que su conjetura tenga sentido lógico.

El kit de herramientas del detective: Cómo funciona NeurOWL

El artículo presenta a NeurOWL como un marco "neuro-simbólico". Esa es una forma elegante de decir que mezcla dos tipos de pensamiento: simbólico (la lógica matemática estricta de la computadora) y neuronal (la intuición difusa de reconocimiento de patrones de la IA). El objetivo es simple: dada una regla rota y una pregunta como "¿Es un gato persa un animal?", NeurOWL decide si la respuesta es probablemente "Sí" o "No", y si es "Sí", encuentra las piezas faltantes del rompecabezas para explicar por qué.

Aquí está cómo el detective resuelve el caso, paso a paso:

Paso 1: La comprobación lógica (La prueba de lo "obvio")
Primero, NeurOWL le pregunta a la lógica estricta de la computadora: "¿Puedo probar esto usando solo las reglas que tenemos ahora mismo?". Si la respuesta es sí, ¡genial! Te da la prueba. Pero si la respuesta es no (porque el libro de reglas está incompleto), no se rinde. Asume que faltan algunas reglas y pasa al siguiente paso.

** Paso 2: El puente lógico (La fase de "conectar los puntos")**
Aquí es donde el detective se vuelve astuto. Si el camino desde "Gato Persa" hasta "Animal" está roto, NeurOWL busca un concepto "puente" que pueda conectarlos.

Búsqueda descendente: Mira a los "hijos" del objetivo. Si "Animal" tiene hijos como "Mamífero" y "Gato", ¿tal vez la regla faltante es "Gato Persa es un Gato"?
Búsqueda ascendente: Mira a los "padres" del punto de partida. Si "Gato Persa" es un tipo de "Gato Doméstico", ¿tal vez la regla faltante es "Gato Doméstico es un Gato"?
El sistema utiliza la lógica de la computadora para encontrar estos puentes potenciales, pero luego llama al LLM (el detective de IA) para verificarlos. La IA lee los nombres y descripciones y dice: "¡Sí, eso tiene sentido! Un Gato Doméstico es definitivamente un Gato".

Paso 3: El puente semántico (La fase del "presentimiento")
Si la búsqueda lógica falla, NeurOWL cambia a la pura intuición. Utiliza embeddings, que son como huellas digitales digitales para las palabras. Le pregunta a la IA: "¿Hay algún concepto en toda la enciclopedia que se sienta como si estuviera situado entre 'Gato Persa' y 'Animal'?". La IA escanea su vasto conocimiento del lenguaje y sugiere un candidato. Si encuentra uno, verifica si la conexión se mantiene. Si no, podría simplemente suponer que la regla "Gato Persa es un Animal" falta por completo y debe añadirse directamente.

Lo que encontraron: Una historia de éxito del detective

Los investigadores probaron NeurOWL con datos del mundo real de dos enciclopedias masivas: FoodOn (sobre alimentos y agricultura) y Snomed CT (una enorme base de datos médica). Crearon versiones "rotas" de estas enciclopedias eliminando aleatoriamente el 5% de sus reglas, solo para ver si NeurOWL podía repararlas.

Los resultados fueron impresionantes. Cuando se le preguntó si una regla faltante era plausible, NeurOWL acertó aproximadamente el 97% de las veces en el conjunto de datos de FoodOn y el 96.8% en el de Snomed CT. Pero la verdadera magia estaba en las explicaciones. A diferencia de otros métodos que solo dicen "Sí" o "No", NeurOWL realmente escribió las reglas faltantes.

En el conjunto de datos de FoodOn, identificó correctamente las reglas faltantes y las explicó con una puntuación de 89.3 (llamada X-F1).
En el conjunto de datos médicos, logró una puntuación de 84.7.

El artículo también mostró que NeurOWL es flexible. Puede trabajar sin entrenamiento adicional (usando una IA preentrenada) o puede ser "ajustado" (recibiendo un curso intensivo sobre la enciclopedia específica) para mejorar aún más en términos médicos complejos. De hecho, para los casos médicos más difíciles que involucran relaciones compleas, la versión ajustada funcionó significativamente mejor, demostiendo que darle al detective un manual de entrenamiento especializado ayuda.

Lo que NeurOWL no es (Y lo que descarta)

Es importante saber lo que NeurOWL no hace. El artículo descarta explícitamente la idea de que se necesita una lista predefinida de posibles reglas faltantes para resolver el problema. Los métodos antiguos requerían que los científicos dijeran: "Aquí están las 100 reglas que puedes adivinar". NeurOWL desecha ese libro de reglas y dice: "Miraré el mundo entero y adivinaré lo que sea que encaje".

Los autores también aclaran que no pretenden haber "resuelto" el razonamiento ontológico para siempre. No están diciendo que la computadora es ahora más inteligente que un experto humano. En cambio, sugieren que este método es una herramienta poderosa para asistir a los expertos. El sistema está diseñado para manejar casos donde la regla objetivo también podría ser errónea. Si la IA piensa que "Los Gatos Persas son Rocas", dirá "No" y se detendrá, en lugar de forzar una mala explicación.

La confianza en estos resultados proviene de pruebas rigurosas en miles de ejemplos. Los números no son conjeturas; son resultados medidos tras ejecutar el sistema en datos reales. Sin embargo, el artículo señala que en escenarios extremadamente complejos (como adivinar reglas que involucran restricciones médicas muy específicas), el rendimiento del sistema baja un poco, lo que sugiere que aún hay margen de mejora.

La conclusión

NeurOWL es como un detective que no solo resuelve el misterio, sino que también escribe el capítulo faltante de la historia. Al combinar la lógica estricta de las computadoras con la intuición creativa de la IA, puede mirar una enciclopedia rota, determinar qué falta y explicar por qué falta. No necesita una hoja de trucos con posibles respuestas; simplemente usa su conocimiento del mundo para llenar los vacíos. Para cualquiera que trabaje con datos complejos, desde médicos hasta científicos de la alimentación, esto significa que pronto podríamos tener asistentes de IA que no solo puedan responder preguntas, sino también ayudarnos a arreglar los libros que usamos para hacerlas en primer lugar.

Resumen Técnico: NeurOWL

Declaración del Probleza

Las ontologías OWL sirven como un marco formal para la representación de conocimiento estructurado y el razonamiento automatizado, ampliamente utilizadas en dominios como la salud y la bioinformática. Sin embargo, las ontologías del mundo real son frecuentemente incompletas debido a la evolución del conocimiento del dominio y al alto costo de la curación por expertos. Esta incompletidad conduce a un desafío de razonamiento específico: dada una ontología incompleta $O'$ y una subsunción candidata $\alpha$ (por ejemplo, $A \sqsubseteq B$ ) que no es lógicamente entailada por $O'$ , el sistema debe determinar:

Plausibilidad: ¿Es la subsunción semánticamente plausible (es decir, ¿se cumpliría si la ontología estuviera completa?)?
Abducción: Si es plausible, ¿cuáles son los axiomas faltantes (hipótesis) que, al añadirse a $O'$ , entailarían $\alpha$ ?

Los enfoques de razonamiento abductivo existentes sufren de dos limitaciones principales: típicamente dependen de un espacio de hipótesis predefinido (restringiendo los candidatos a un vocabulario fijo) y a menudo asumen que la subsunción objetivo es válida, fallando al manejar casos donde la subsunción misma es incorrecta. Además, aunque los Modelos de Lenguaje de Gran Escala (LLMs) se han aplicado a tareas de ontología, generalmente carecen de la capacidad de proporcionar explicaciones lógicamente sólidas o de integrar la semántica formal de manera efectiva.

Metodología: El Marco NeurOWL

Para abordar estos desafíos, los autores proponen NeurOWL, un marco neuro-simbólico de extremo a extremo que unifica la verificación de subsunción y la abducción de ontologías. El marco aprovecha tanto la semántica formalmente definida (mediante embeddings de ontologías) como la semántica textual (mediante LLMs) para operar sin un conjunto de candidatos predefinido de axiomas faltantes.

El mecanismo central consiste en identificar conceptos intermedios (puentes) que conectan al sujeto ( $A$ ) y al objeto ( $B$ ) de la subsunción, o verificar la subsunción directamente. El proceso se estructura en tres etapas secuenciales:

1. Verificación Lógica (Etapa 1)

Un razonador de Lógica de Descripción (DL) estándar verifica si $O' \models A \sqsubseteq B$ .

Si es verdadero: El sistema devuelve True con una justificación (conjunto mínimo de axiomas de $O'$ ).
Si es falso: El sistema asume que existen axiomas faltantes y procede a las etapas subsiguientes.

2. Puente Lógico (Etapa 2)

Esta etapa intenta encontrar axiomas faltantes explotando la estructura lógica existente de $O'$ . Utiliza un modelo de embedding de ontología (por ejemplo, OnT) para recuperar los top- $k$ candidatos, que luego son validados por un LLM.

2a (Descendente): Identifica conceptos hijos $B'$ de $B$ en $O'$ ( $O' \models B' \sqsubseteq B$ ). El sistema hipotetiza un axioma faltante $A \sqsubseteq B'$ .
2b (Ascendente): Identifica conceptos padres $A'$ de $A$ en $O'$ ( $O' \models A \sqsubseteq A'$ ). El sistema hipotetiza un axioma faltante $A' \sqsubseteq B$ .
Verificación: Un LLM valida la plausibilidad del candidato de axioma faltante. Si es válido, la justificación se construye como $\{A \sqsubseteq B'\} \cup J_{B' \sqsubseteq B}$ (o el caso simétrico).

3. Puente por Embedding (Etapa 3)

Si la Etapa 2 falla, el sistema busca axiomas faltantes basándose puramente en la similitud semántica.

3a (Búsqueda Bidireccional): Busca un concepto intermedio $C$ tal que $A \sqsubseteq C \sqsubseteq B$ . Los candidatos se extraen de conceptos atómicos (o conceptos complejos como $\exists r.B_1$ en configuraciones específicas) y se clasifican mediante una función de puntuación $s(C) = \frac{1}{2}(s(A \sqsubseteq C) + s(C \sqsubseteq B))$ . Los mejores candidatos son verificados por el LLM.
3b (Chequeo Directo): Si no se encuentra un puente adecuado, el sistema trata a $A \sqsubseteq B$ como una aserción elemental. El LLM verifica directamente la plausibilidad de la subsunción misma. Si se considera correcta, se devuelve como el axioma faltante; de lo contrario, el sistema devuelve False.

Detalles de Implementación:

Embeddings: El marco utiliza OnT (ajustado finamente en la ontología objetivo) o SBERT (pre-entrenado) para codificar conceptos y roles.
LLM: Se utiliza el modelo Qwen3.5-9B para la verificación basada en prompts de los candidatos de axiomas y puentes.
Capacidad Iterativa: El marco puede aplicarse iterativamente, utilizando los axiomas faltantes predichos como nuevos inputs para refinar la cadena de razonamiento.

Contribuciones Clave

Tarea de Abducción de TBox Generalizada: Los autores definen una tarea que no requiere un conjunto de candidatos predefinido de axiomas faltantes y maneja explícitamente los casos donde la subsunción dada es incorrecta (entailment negativo).
Marco NeurOWL: Un sistema neuro-simbólico de extremo a extremo que realiza conjuntamente la verificación y la abducción de subsunción, integrando embeddings de ontologías y LLMs para operar tanto en entornos sin entrenamiento como en entornos con ajuste fino.
Evaluación Empírica: Evaluación exhaustiva en ontologías del mundo real (FoodOn y Snomed CT) demostrando efectividad ante diversos grados de incompletitud y complejidad (conceptos atómicos vs. conceptos de restricción existencial).

Resultados Experimentales

Los autores evaluaron NeurOWL en conjuntos de datos construidos a partir de FoodOn y Snomed CT, simulando la incompletitud eliminando el 5% de los axiomas de la TBox. La evaluación incluyó tanto configuraciones "Estándar" (conceptos atómicos como puentes) como "Complejas" (restricciones existenciales $\exists r.B$ como puentes).

Hallazgos Clave:

Desempeño: NeurOWL superó consistentemente a los baselines (solo LLM, SBERT y clasificadores OnT) en términos de F1-score.
- En FoodOnA, NeurOWL (OnT) logró un F1 de 0.960 (Hard Neg: 0.845).
- En SnomedA, NeurOWL (OnT) logró un F1 de 0.968 (Hard Neg: 0.862).
- En Snomed $\exists$ (conceptos complejos), NeurOWL (OnT) logró un F1 de 0.924, superando significativamente a la variante SBERT (0.906) y demostrando la necesidad de ajuste fino para estructuras lógicas complejas.
Calidad de la Explicación: El marco alcanzó altos puntajes de X-F1 (predicción correcta + explicación correcta) y X-F1* (todos los puentes predichos son correctos).
- En FoodOnA, NeurOWL (OnT) alcanzó X-F1: 0.893 y X-F1: 0.793*.
- La variante ajustada de OnT superó significativamente a la variante training-free de SBERT en precisión de explicación, particularmente en configuraciones complejas.
Análisis de Etapas: Las etapas 2a y 2b (Puente Lógico) produjeron el mayor rendimiento de recuperación (H@1 > 0.9 para la etapa 2b en SnomedA). La etapa 3a (Bidireccional) tuvo un menor rendimiento de recuperación debido al mayor espacio de candidatos, pero siguió siendo crucial para los casos donde los puentes lógicos estaban ausentes.
Aplicación Iterativa: Los estudios de caso demostraron que la aplicación iterativa de NeurOWL podía generar cadenas de axiomas faltantes progresivamente más finas (por ejemplo, refinando una subsunción de un trastorno amplio a un tumor maligno específico).

Significado y Reivindicaciones

El artículo afirma que NeurOWL representa un paso significativo al unificar la verificación de subsunción con la abducción de ontologías en un solo marco. Su principal significancia radica en:

Eliminación de la Restricción de Hipótesis Predefinida: A diferencia de trabajos previos, NeurOWL no depende de un vocabulario o firma fija, lo que le permite descubrir axiomas faltantes que involucren cualquier concepto en la ontología.
Manejo de la Incertidumbre: Aborda explícitamente el escenario donde la validez de la subsunción objetivo es incierta, distinguiendo entre subsunciones "plausibles pero faltantes" e "incorrectas".
Explicabilidad: Proporciona no solo una decisión binaria, sino una explicación lógicamente sólida que contiene los axiomas faltantes específicos y la cadena de justificación, cerrando la brecha entre la comprensión semántica neuronal y el razonamiento lógico simbólico.

Los autores concluyen que, aunque el trabajo actual se centra en ontologías EL y restricciones existenciales, el marco es adaptable y sienta las bases para futuras extensiones a operadores lógicos más complejos (por ejemplo, $\forall$ , $\neg$ ) y capacidades de razonamiento iterativo.