🤖 AI

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

L'article présente NeurOWL, un cadre neuro-symbolique de bout en bout qui exploite les modèles de langage de grande taille et les plongements d'ontologies pour vérifier la plausibilité sémantique de la subsomption dans des ontologies OWL incomplètes et générer des explications logiquement cohérentes avec des axiomes potentiellement manquants.

Auteurs originaux : Hui Yang, Jiaoyan Chen, Yiping Song, Renate Schmidt, Wen Zhang

Publié 2026-07-20

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hui Yang, Jiaoyan Chen, Yiping Song, Renate Schmidt, Wen Zhang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de résoudre un mystère intergalactique massif, mais qu'il manque plusieurs pages à votre carnet d'indices. Vous avez une liste de règles sur la façon dont différents personnages sont liés les uns aux autres — comme « Tous les chats sont des mammifères » ou « Tous les mammifères produisent du lait » — mais le livre ne dit pas explicitement « Tous les chats persans sont des animaux ». Dans le monde de l'informatique, c'est ce qu'on appelle une ontologie. Considérez une ontologie comme une encyclopédie numérique super organisée qui enseigne à un ordinateur comment comprendre le monde. Elle utilise un langage strict appelé OWL (Web Ontology Language) pour définir des règles afin que les machines puissent raisonner, ou « réfléchir », pour comprendre comment les choses s'articulent entre elles.

Cependant, les encyclopédies du monde réel sont rarement parfaites. Elles sont souvent incomplètes car le monde est trop vaste pour écrire chaque règle, ou parce que les experts n'ont pas eu le temps de terminer le travail. Lorsqu'un ordinateur utilise ces encyclopédies « cassées », il se retrouve bloqué. Il ne peut pas prouver qu'un chat persan est un animal parce que la règle spécifique les reliant est manquante. C'est un problème majeur dans des domaines comme la santé et la biologie, où manquer une connexion pourrait signifier manquer un remède ou un diagnostic. Les scientifiques ont tenté de résoudre cela en demandant aux ordinateurs de deviner les règles manquantes, mais généralement, ils ont besoin d'une liste pré-écrite de devinettes possibles, ce qui revient à essayer de trouver une aiguille dans une botte de foin en n'ayant le droit de regarder que dans une toute petite boîte prédéfinie.

Voici NeurOWL, un nouveau cadre qui agit comme un détective doté d'un super-pouvoir. Au lieu d'être coincé avec une petite boîte de devinettes, NeurOWL combine la logique stricte d'un ordinateur avec l'intuition créative d'un Grand Modèle de Langage (une IA qui lit et comprend le texte humain). Il ne se contente pas de vérifier si une règle est vraie ; il essaie de comprendre pourquoi elle pourrait être vraie même si une page du livre de règles est manquante, puis il rédige la page manquante pour vous. C'est comme avoir un détective qui peut observer une scène de crime, réaliser qu'un témoin manque à l'appel, et ensuite utiliser sa connaissance du quartier pour deviner exactement qui est ce témoin, tout en s'assurant que son hypothèse est logiquement cohérente.

La boîte à outils du détective : Comment fonctionne NeurOWL

L'article présente NeurOWL comme un cadre « neuro-symbolique ». C'est une façon sophistiquée de dire qu'il mélange deux types de pensée : symbolique (la logique mathématique stricte de l'ordinateur) et neurale (l'intuition floue de l'IA basée sur la reconnaissance de formes). L'objectif est simple : étant donné un livre de règles cassé et une question comme « Un chat persan est-il un animal ? », NeurOWL décide si la réponse est probablement « Oui » ou « Non », et si c'est « Oui », il trouve les pièces manquantes du puzzle pour expliquer pourquoi.

Voici comment le détective résout l'affaire, étape par étape :

Étape 1 : Le contrôle de la logique (Le test de l'« évident »)
D'abord, NeurOWL demande à la logique informatique stricte : « Puis-je prouver cela en utilisant uniquement les règles que nous avons actuellement ? ». Si la réponse est oui, parfait ! Il vous donne la preuve. Mais si la réponse est non (parce que le livre de règles est incomplet), il n'abandonne pas. Il suppose que certaines règles sont manquantes et passe à l'étape suivante.

Étape 2 : Le pont logique (La phase de « connexion des points »)
C'est ici que le détective devient ingénieux. Si le chemin allant du « Chat Persan » à l'« Animal » est brisé, NeurOWL cherche un concept « pont » qui pourrait les relier.

Recherche descendante : Il regarde les « enfants » de la cible. Si « Animal » a des enfants comme « Mammifère » et « Chat », peut-être que la règle manquante est « Chat Persan est un Chat » ?
Recherche ascendante : Il regarde les « parents » du point de départ. Si « Chat Persan » est un type de « Chat de compagnie », peut-être que la règle manquante est « Chat de compagnie est un Chat » ?
Le système utilise la logique de l'ordinateur pour trouver ces ponts potentiels, mais appelle ensuite le LLM (le détective IA) pour les vérifier. L'IA lit les noms et les descriptions et dit : « Oui, cela fait sens ! Un Chat de compagnie est définitivement un Chat ».

Étape 3 : Le pont sémantique (La phase du « pressentiment »)
Si la recherche logique échoue, NeurOWL passe à l'intuition pure. Il utilise des embeddings, qui sont comme des empreintes digitales numériques pour les mots. Il demande à l'IA : « Existe-t-il un concept dans toute l'encyclopédie qui semble se situer entre "Chat Persan" et "Animal" ? ». L'IA scanne sa vaste connaissance du langage et suggère un candidat. Si elle en trouve un, elle vérifie si la connexion tient la route. Sinon, elle peut simplement supposer que la règle « Chat Persan est un Animal » est manquante et doit être ajoutée directement.

Ce qu'ils ont trouvé : Une réussite de détective

Les chercheurs ont testé NeurOWL sur des données réelles provenant de deux encyclopédies massives : FoodOn (sur la nourriture et l'agriculture) et Snomed CT (une immense base de données médicale). Ils ont créé des versions « cassées » de ces encyclopédies en supprimant aléatoirement 5 % des règles, juste pour voir si NeurOWL pouvait les réparer.

Les résultats sont impressionnants. Lorsqu'on lui demande de deviner si une règle manquante est plausible, NeurOWL a raison environ 97 % du temps sur le jeu de données FoodOn et 96,8 % sur le jeu de données Snomed CT. Mais la véritable magie réside dans les explications. Contrairement aux autres méthodes qui se contentent de dire « Oui » ou « Non », NeurOWL rédige réellement les règles manquantes.

Sur le jeu de données FoodOn, il a correctement identifié les règles manquantes et les a expliquées avec un score de 89,3 (appelé X-F1).
Sur le jeu de données médical, il a atteint un score de 84,7.

L'article montre également que NeurOWL est flexible. Il peut fonctionner sans entraînement supplémentaire (en utilisant une IA pré-entraînée) ou peut être « affiné » (subissant un cours intensif sur l'encyclopédie spécifique) pour devenir encore meilleur sur les termes médicaux complexes. En fait, pour les cas médicaux les plus difficiles impliquant des relations complexes, la version affinée a obtenu des performances nettement supérieures, prouvant que donner au détective un manuel de formation spécialisé l'aide.

Ce que NeurOWL n'est pas (Et ce qu'il écarte)

Il est important de savoir ce que NeurOWL ne fait pas. L'article écarte explicitement l'idée qu'il faille une liste prédéfinie de règles possibles pour résoudre le problème. Les anciennes méthodes exigeaient que les scientifiques disent : « Voici les 100 règles que vous pouvez deviner ». NeurOWL jette ce livre de règles et dit : « Je vais regarder le monde entier et deviner tout ce qui convient ».

Les auteurs précisent également qu'ils ne prétendent pas avoir « résolu » le raisonnement ontologique pour toujours. Ils ne disent pas que l'ordinateur est désormais plus intelligent qu'un expert humain. Au contraire, ils suggèrent que cette méthode est un outil puissant pour assister les experts. Le système est conçu pour gérer les cas où la règle cible pourrait également être erronée. Si l'IA pense que « Les Chats Persans sont des Roches », elle dira « Non » et s'arrêtera, plutôt que de forcer une mauvaise explication.

La confiance dans ces résultats provient de tests rigoureux sur des milliers d'exemples. Les chiffres ne sont pas des suppositions ; ce sont des résultats mesurés par l'exécution du système sur des données réelles. Cependant, l'article note que dans des scénarios extrêmement complexes (comme deviner des règles impliquant des restrictions médicales très spécifiques), les performances du système chutent légèrement, suggérant qu'il reste encore de la marge de progression.

L'essentiel

NeurOWL est comme un détective qui ne se contente pas de résoudre le mystère, mais qui écrit aussi le chapitre manquant de l'histoire. En combinant la logique stricète des ordinateurs avec l'intuition créative de l'IA, il peut examiner une encyclopédie brisée, comprendre ce qui manque et expliquer pourquoi cela manque. Il n'a pas besoin d'une fiche de triche des réponses possibles ; il utilise simplement sa connaissance du monde pour combler les lacunes. Pour quiconque travaille avec des données complexes, des médecins aux scientifiques de l'alimentation, cela signifie que nous pourrions bientôt disposer d'assistants IA capables non seulement de répondre à des questions, mais aussi de nous aider à réparer les livres que nous utilisons pour les poser.

Résumé Technique : NeurOWL

Énoncé du Problème

Les ontologies OWL servent de cadre formel pour la représentation structurée des connaissances et le raisonnement automatisé, largement utilisés dans des domaines tels que la santé et la bioinformatique. Cependant, les ontologies du monde réel sont fréquemment incomplètes en raison de l'évolution des connaissances du domaine et du coût élevé de la curation par des experts. Cette incomplétude entraîne un défi de raisonnement spécifique : étant donné une ontologie $O'$ incomplète et une candidate de subsomption $\alpha$ (par exemple, $A \sqsubseteq B$ ) qui n'est pas logiquement entailée par $O'$ , le système doit déterminer :

La Plausibilité : La subsomption est-elle sémantiquement plausible (c'est-à-dire, tiendrait-elle si l'ontologie était complète) ?
L'Abduction : Si elle est plausible, quels sont les axiomes manquants (hypothèses) qui, lorsqu'ils sont ajoutés à $O'$ , entaileraient $\alpha$ ?

Les approches de raisonnement abductif existantes souffrent de deux limitations principales : elles reposent généralement sur un espace d'hypothèses prédéfini (limitant les candidats à un vocabulaire fixe) et supposent souvent que la subsomption cible est valide, échouant ainsi à traiter les cas où la subsomption elle-même est incorrecte. De plus, bien que les modèles de langage de grande taille (LLM) aient été appliqués aux tâches d'ontologie, ils manquent généralement de la capacité de fournir des explications logiquement fondées ou d'intégrer efficacement les sémantiques formelles.

Méthodologie : Le Cadre NeurOWL

Pour répondre à ces défis, les auteurs proposent NeurOWL, un cadre neuro-symbolique de bout en bout qui unifie la vérification de la subsomption et l'abduction d'ontologie. Le cadre exploite à la fois les sémantiques formellement définies (via des plongements d'ontologie) et les sémantiques textuelles (via des LLM) pour opérer sans un ensemble de candidats prédéfini d'axiomes manquants.

Le mécanisme central consiste à identifier des concepts intermédiaires (ponts) qui relient le sujet ( $A$ ) et l'objet ( $B$ ) de la subsomption, ou à vérifier la subsomption directement. Le processus est structuré en trois étapes séquentielles :

1. Vérification Logique (Étape 1)

Un raisonneur de logique de description (DL) standard vérifie si $O' \models A \sqsubseteq B$ .

Si vrai : Le système retourne True avec une justification (ensemble minimal d'axiomes issus de $O'$ ).
Si faux : Le système suppose l'existence d'axiomes manquants et passe aux étapes suivantes.

2. Pontage Logique (Étape 2)

Cette étape tente de trouver des axiomes manquants en exploitant la structure logique existante de $O'$ . Elle utilise un modèle de plongement d'ontologie (par exemple, OnT) pour récupérer les $k$ meilleurs candidats, qui sont ensuite validés par un LLM.

2a (Vers le bas) : Identifie les concepts enfants $B'$ de $B$ dans $O'$ ( $O' \models B' \sqsubseteq B$ ). Le système émet l'hypothèse d'un axiome manquant $A \sqsubseteq B'$ .
2b (Vers le haut) : Identifie les concepts parents $A'$ de $A$ dans $O'$ ( $O' \models A \sqsubseteq A'$ ). Le système émet l'hypothèse d'un axiome manquant $A' \sqsubseteq B$ .
Vérification : Un LLM valide la plausibilité de l'axiome manquant candidat. Si celui-ci est valide, la justification est construite comme $\{A \sqsubseteq B'\} \cup J_{B' \sqsubseteq B}$ (ou le cas symétrique).

3. Pontage par Plongement (Étape 3)

Si l'étape 2 échoue, le système recherche des axiomes manquants basés purement sur la similitude sémantique.

3a (Recherche bidirectionnelle) : Recherche un concept intermédiaire $C$ tel que $A \sqsubseteq C \sqsubseteq B$ . Les candidats sont tirés de concepts atomiques (ou de concepts complexes comme $\exists r.B_1$ dans des contextes spécifiques) et classés par une fonction de score $s(C) = \frac{1}{2}(s(A \sqsubseteq C) + s(C \sqsubseteq B))$ . Les meilleurs candidats sont vérifiés par le LLM.
3b (Vérification directe) : Si aucun pont approprié n'est trouvé, le système traite $A \sqsubseteq B$ comme une assertion élémentaire. Le LLM vérifie directement la plausibilité de la subsomption elle-même. Si elle est jugée correcte, elle est retournée comme l'axiome manquant ; sinon, le système retourne False.

Détails d'implémentation :

Plongements (Embeddings) : Le cadre utilise OnT (fine-tuné sur l'ontologie cible) ou SBERT (pré-entraîné) pour encoder les concepts et les rôles.
LLM : Le modèle Qwen3.5-9B est utilisé pour la vérification par prompt des axiomes et des ponts candidats.
Capacité Itérative : Le cadre peut être appliqué de manière itérative, en utilisant les axiomes manquants prédits comme nouvelles entrées pour affiner la chaîne de raisonnement.

Contributions Clés

Tâche d'Abduction de TBox Généralisée : Les auteurs définissent une tâche qui ne nécessite pas d'ensemble de candidats prédéfini d'axiomes manquants et gère explicitement les cas où la subsomption donnée est incorrecte (négation d'entailment).
Cadre NeurOWL : Un système neuro-symbolique de bout en bout qui réalise conjointement la vérification et l'abduction de la subsomption, intégrant les plongements d'ontologie et les LLM pour opérer dans des contextes sans entraînement (training-free) et avec fine-tuning.
Évaluation Empirique : Une évaluation complète sur des ontologies réelles (FoodOn et Snomed CT) démontrant l'efficacité à travers différents degrés d'incomplétude et de complexité (concepts atomiques vs concepts de restriction existentielle).

Résultats Expérimentaux

Les auteurs ont évalué NeurOWL sur des jeux de données construits à partir de FoodOn et Snomed CT, simulant l'incomplétude par la suppression de 5 % des axiomes de la TBox. L'évaluation comprenait à la fois des configurations "Standard" (concepts atomiques comme ponts) et "Complexes" (restrictions existentielles $\exists r.B$ comme ponts).

Principaux résultats :

Performance : NeurOWL a systématiquement surpassé les bases de référence (LLM-seul, SBERT et classificateurs OnT) en termes de score F1.
- Sur FoodOnA, NeurOWL (OnT) a atteint un F1 de 0,960 (Hard Neg : 0,845).
- Sur SnomedA, NeurOWL (OnT) a atteint un F1 de 0,968 (Hard Neg : 0,862).
- Sur Snomed $\exists$ (concepts complexes), NeurOWL (OnT) a atteint un F1 de 0,924, surpassant significativement la variante SBERT (0,906) et démontrant la nécessité du fine-tuning pour les structures logiques complexes.
Qualité de l'Explication : Le cadre a obtenu des scores élevés de X-F1 (prédiction correcte + explication correcte) et X-F1* (tous les ponts prédits sont corrects).
- Sur FoodOnA, NeurOWL (OnT) a atteint X-F1 : 0,893 et X-F1 : 0,793*.
- La variante fine-tunée de OnT a nettement surpassé la variante training-free de SBERT en termes de précision d'explication, particulièrement dans les contextes complexes.
Analyse des Étapes : Les étapes 2a et 2b (Pontage Logique) ont produit la performance de récupération la plus élevée (H@1 > 0,9 pour l'étape 2b sur SnomedA). L'étape 3a (Bidirectionnelle) a eu une performance de récupération plus faible en raison de l'espace de candidats plus large, mais est restée cruciale pour les cas où les ponts logiques étaient absents.
Application Itérative : Des études de cas ont démontré que l'application itérative de NeurOWL pouvait générer des chaînes d'axiomes manquants de plus en plus fines (par exemple, affiner une subsomption d'un trouble large vers une tumeur maligne spécifique).

Signification et Revendications

L'article affirme que NeurOWL représente une étape significative en unifiant la vérification de la subsomption et l'abduction d'ontologie dans un seul cadre. Sa principale importance réside dans :

Suppression de la contrainte d'hypothèse prédéfinie : Contra-irement aux travaux antérieurs, NeurOWL ne repose pas sur un vocabulaire ou une signature fixes, permettant de découvrir des axiomes manquants impliquant n'importe quel concept de l'ontologie.
Gestion de l'Incertitude : Il traite explicitement le scénario où la validité de la subsomption cible est incertaine, distinguant les subsomptions "plausibles mais manquantes" des subsomptions "incorrectes".
Explicabilité : Il fournit non seulement une décision binaire, mais aussi une explication logiquement fondée contenant les axioms manquants spécifiques et la chaîne de justification, comblant ainsi le fossé entre la compréhension sémantique neuronale et le raisonnement logique symbolique.

Les auteurs concluent que, bien que le travail actuel se concentre sur les ontologies EL et les restrictions existentielles, le cadre est adaptable et pose les bases de futures extensions vers des opérateurs logiques plus complexes (par exemple, $\forall$ , $\neg$ ) et des capacités de raisonnement itératif.