🤖 AI

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

Het artikel introduceert NeurOWL, een end-to-end neuro-symbolisch framework dat Large Language Models en ontologie-embeddings gebruikt om de semantische plausibiliteit van subsumptie in incomplete OWL-ontologieën te verifiëren en logisch sluitende verklaringen met potentiële ontbrekende axioma's te genereren.

Oorspronkelijke auteurs: Hui Yang, Jiaoyan Chen, Yiping Song, Renate Schmidt, Wen Zhang

Gepubliceerd 2026-07-20

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hui Yang, Jiaoyan Chen, Yiping Song, Renate Schmidt, Wen Zhang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een enorme, intergalactische mysteries op te lossen, maar je dossier met aanwijzingen mist enkele pagina's. Je hebt een lijst met regels over hoe verschillende personages zich tot elkaar verhouden — zoals "Alle katten zijn zoogdieren" of "Alle zoogdieren produceren melk" — maar het boek zegt niet expliciet "Alle Perzische katten zijn dieren." In de wereld van de informatica wordt dit een ontologie genoemd. Zie een ontologie als een supergeorganiseerde, digitale encyclopedie die een computer leert hoe hij de wereld begrijpt. Het gebruikt een strikte taal genaamd OWL (Web Ontology Language) om regels te definiëren, zodat machines kunnen redeneren, of "denken", over hoe dingen in elkaar passen.

Echter, echte encyclopedieën zijn zelden perfect. Ze zijn vaak incompleet omdat de wereld te groot is om elke regel op te schrijven, of omdat experts nog geen tijd hebben gehad om het werk af te maken. Wanneer een computer probeert deze "gebroken" encyclopedieën te gebruiken, loopt hij vast. Hij kan niet bewijzen dat een Perzische kat een dier is omdat de specifieke regel die hen verbindt ontbreeft. Dit is een enorm probleem voor vakgebieden zoals de gezondheidszorg en biologie, waar het missen van een connectie kan betekenen dat men een genezing of een diagnose mist. Wetenschappers hebben geprobeerd dit op te lossen door computers te vragen de ontbrekende regels te raden, maar meestal hebben ze een vooraf geschreven lijst met mogelijke gissingen nodig, wat is als het zoeken naar een naald in een hooiberg terwijl je alleen in een klein, vooraf gedefinieerd doosje mag kijken.

Maak kennis met NeurOWL, een nieuw framework dat fungeert als een detective met een superkracht. In plaats van vast te zitten in een klein doosje met gissingen, combineert NeurOWL de strikte logica van een computer met de creatieve intuïtie van een Large Language Model (een AI die menselijke tekst leest en begrijpt). Het controleert niet alleen of een regel waar is; het probeert uit te zoeken waarom het mogelijk waar is, zelfs als de regelpagina ontbreekt, en schrijft vervolgens de ontbrekende pagina voor je op. Het is als een detective die een plaats delict onderzoekt, beseft dat er een getuige ontbreekt, en vervolgens zijn kennis van de buurt gebruikt om precies te raden wie die getuige zou kunnen zijn, terwijl hij er ook voor zorgt dat zijn gok logisch gezien klopt.

De Gereedschapskist van de Detective: Hoe NeurOWL Werkt

Het artikel introduceert NeurOWL als een "neuro-symbolisch" framework. Dat is een chique manier om te zeggen dat het twee soorten denken mengt: symbolisch (de strikte, wiskundige logica van de computer) en neuraal (de vage, patroonherkennende intuïtie van de AI). Het doel is simpel: gegeven een gebroken regelboek en een vraag als "Is een Perzische Kat een Dier?", beslist NeurOWL of het antwoord waarschijnlijk "Ja" of "Nee" is, en als het "Ja" is, vindt het de ontbrekende puzzelstukjes om uit te leggen waarom.

Hier is hoe de detective de zaak oplost, stap voor stap:

Stap 1: De Logica-check (De "Voor de Hand Liggende" Test)
Eerst vraat NeurOWL aan de strikte computerlogica: "Kan ik dit bewijzen met alleen de regels die we nu hebben?" Als het antwoord ja is, geweld! Het geeft je het bewijs. Maar als het antwoord nee is (omdat het regelboek incompleet is), geeft het niet op. Het neemt aan dat sommige regels ontbreken en gaat naar de volgende stap.

Stap s 2: De Logische Brug (De "Verbind de Punten" Fase)
Dit is waar de detective slim wordt. Als het pad van "Perzische Kat" naar "Dier" gebroken is, zoekt NeurOWL naar een "brugconcept" dat hen zou kunnen verbinden.

Downward Search (Zoeken naar beneden): Het kijkt naar de "kinderen" van het doelwit. Als "Dier" kinderen heeft zoals "Zoogdier" en "Kat", dan is de ontbrekende regel misschien "Perzische Kat is een Kat"?
Upward Search (Zoeken naar boven): Het kijkt naar de "ouders" van het startpunt. Als "Perzische Kat" een type "Huiskat" is, dan is de ontbrekende regel misschien "Huiskat is een Kat"?
Het systeem gebruikt de logica van de computer om deze potentiële bruggen te vinden, maar roept dan de LLM (de AI-detective) in om ze te verifiëren. De AI leest de namen en beschrijvingen en zegt: "Ja, dat is logisch! Een Huiskat is absoluut een Kat."

Stap 3: De Semantische Brug (De "Gevoel" Fase)
Als de logische zoektocht faalt, schakelt NeurOWL over op pure intuïtie. Het gebruikt embeddings, die fungeren als digitale vingerafdrukken voor woorden. Het vraagt de AI: "Is er een concept in de hele encyclopedie dat aanvoelt alsof het tussen 'Perzische Kat' en 'Dier' zit?" De AI scant zijn enorme kennis van taal en stelt een kandidaat voor. Als het een vindt, controleert het of de verbinding standhoudt. Zo niet, dan kan het simpelweg raden dat de regel "Perzische Kat is een Dier" geheel ontbreekt en direct toegevoegd moet worden.

Wat Ze Hebben Gevonden: Een Succesverhaal van een Detective

De onderzoekers testten NeurOWL op echte gegevens uit twee enorme encyclopedieën: FoodOn (over voedsel en landbouw) en Snomed CT (een enorme medische database). Ze creëerden "gebroken" versies van deze encyclopedieën door willekeurig 5% van de regels te verwijderen, enkel om te zien of NeurOWL ze kon herstellen.

De resultaten waren indrukwekkend. Wanneer gevraagd werd of een ontbrekende regel aannemelijk was, zat NeurOWL er ongeveer 97% van de tijd naast op de FoodOn-dataset en 96,8% op de Snomed CT-dataset. Maar de echte magie zat in de verklaringen. In tegenstelling tot andere methoden die alleen "Ja" of "Nee" zeggen, schreef NeurOWL daadwerkelijk de ontbrekende regels op.

Op de FoodOn-dataset identificeerde het correct de ontbrekende regels en legde deze uit met een score van 89,3 (genoemd X-F1).
Op de medische dataset behaalde het een score van 84,7.

Het artikel toonde ook aan dat NeurOWL flexibel is. Het kan werken zonder extra training (door gebruik te maken van een vooraf getrainde AI) of het kan worden "gefine-tuned" (een intensieve cursus krijgen over de specifieke encyclopedie) om nog beter te worden in complexe medische termen. Sterker nog, de gefinetunede versie presteerde aanzienlijk beter bij de lastigste medische gevallen met complexe relaties, wat bewijst dat het geven van een gespecialiseerde handleiding aan de detective helpt.

Wat NeurOWL Niet Is (En Wat Het Uitsluit)

Het is belangrijk om te weten wat NeurOWL niet doet. Het artikel sluit expliciet de gedachte uit dat je een vooraf gedefinieerde lijst van mogelijke ontbrekende regels nodig hebt om het probleem op te lossen. Oude methoden vereisten dat wetenschappers zeiden: "Hier zijn de 100 regels die je kunt raden." NeurOWL gooit dat regelboek weg en zegt: "Ik kijk naar de hele wereld en raad wat er ook past."

De auteurs verduidelijken ook dat ze niet beweren de ontologie-redenering voor altijd te hebben "opgelost". Ze beweren niet dat de computer nu slimmer is dan een menselijke expert. In plaats daarvan suggereren ze dat deze methode een krachtig hulpmiddel is om experts te ondersteunen. Het systeem is ontworpen om gevallen af te handelen waarin de doelregel ook daadwerkelijk fout zou kunnen zijn. Als de AI denkt dat "Perzische Katten Rotsen zijn", zal het "Nee" zeggen en stoppen, in plaats van een slechte verklaring te forceren.

Het vertrouwen in deze resultaten komt voort uit rigoureuze tests op duizenden voorbeelden. De cijfers zijn geen gissingen; het zijn gemeten uitkomsten van het draaien van het systeem op echte data. Echter, het artikel merkt op dat in extreem complexe scenario's (zoals het raden van regels die zeer specifieke medische beperkingen bevatten), de prestaties van het systeem iets dalen, wat suggereert dat er nog steeds ruimte is voor verbetering.

De Kernboodschap

NeurOWL is als een detective die niet alleen het mysterie oplost, maar ook het ontbrekende hoofdstuk van het verhaal schrijft. Door de strikte logica van computers te combineren met de creatieve intuïtie van AI, kan het naar een gebroken encyclopedie kijken, begrijpen wat er ontbreekt, en uitleggen waarom het ontbreekt. Het heeft geen spiekbriefje met mogelijke antwoorden nodig; het gebruikt simpelweg zijn kennis van de wereld om de gaten te vullen. Voor iedereen die werkt met complexe data, van artsen tot voedingswetenschappers, betekent dit dat we binnenkort misschien AI-assistenten hebben die niet alleen vragen kunnen beantwoorden, maar ons ook kunnen helpen de boeken te repareren die we gebruiken om die vragen te stellen.

Technische Samenvatting: NeurOWL

Probleemstelling

OWL-ontologieën dienen als een formeel kader voor gestructureerde kennisrepresentatie en geautomatiseerd redeneren, breed toegepast in domeinen zoals de gezondheidszorg en bioinformatica. Echter, real-world ontologieën zijn vaak onvolledig vanwege evoluerende domeinkennis en de hoge kosten van expertcuratie. Deze onvolledigheid leidt tot een specifieke redeneeruitdaging: gegeven een onvolledige ontologie $O'$ en een kandidaat-subsumptie $\alpha$ (bijv. $A \sqsubseteq B$ ) die niet logisch wordt afgeleid door $O'$ , moet het systeem bepalen:

Plausibiliteit: Is de subsumptie semantisch plausibel (i.e., zou deze standhouden als de ontologie compleet zou zijn)?
Abductie: Indien plausibel, wat zijn de ontbrekende axioma's (hypothesen) die, wanneer toegevoegd aan $O'$ , $\alpha$ zouden impliceren?

Bestaande abductieve redeneerbenaderingen lijden onder twee belangrijke beperkingen: ze vertrouwen typisch op een predefinieerde hypotheseruimte (waarbij kandidaten worden beperkt tot een vaste vocabulaire) en gaan vaak uit van de aanname dat de doelsubsumptie geldig is, waardoor ze niet in staat zijn om gevallen te behandelen waarin de subsumptie zelf incorrect is. Bovensstaande werken met Large Language Models (LLMs) zijn weliswaar toegepast op ontologie-taken, maar ze missen over het algemeen het vermogen om logisch sluitende verklaringen te bieden of tekstuele semantiek effectief te integreren met formele semantiek.

Methodologie: Het NeurOWL-framework

Om deze uitdagingen aan te pakken, stellen de auteurs NeurOWL voor, een end-to-end neuro-symbolisch framework dat subsumptieverificatie en ontologie-abductie verenigt. Het framework maakt gebruik van zowel formeel gedefinieerde semantiek (via ontologie-embeddings) als tekstuele semantiek (via LLM's) om te opereren zonder een predefinieerde kandidaatset van ontbrekende axioma's.

Het kernmechanisme bestaat uit het identificeren van intermediaire concepten (bruggen) die de subject ( $A$ ) en het object ( $B$ ) van de subsumptie verbinden, of het direct verifiëren van de subsumptie. Het proces is gestructureerd in drie opeenvolgende stadia:

1. Logische Controle (Stadium 1)

Een standaard Description Logic (DL) reasoner controleert of $O' \models A \sqsubseteq B$ .

Indien waar: Het systeem geeft True terug met een rechtvaardiging (de minimale set axioma's uit $O'$ ).
Indien onwaar: Het systeem gaat ervan uit dat er ontbrekende axioma's bestaan en gaat over naar de volgende stadia.

2. Logische Brugvorming (Stadium 2)

Dit stadium probeert ontbrekende axioma's te vinden door gebruik te maken van de bestaande logische structuur van $O'$ . Het gebruikt een ontologie-embeddingmodel (bijv. OnT) om top- $k$ kandidaten op te halen, die vervolgens worden gevalideerd door een LLM.

2a (Neerwaarts): Identificeert kindconcepten $B'$ van $B$ in $O'$ ( $O' \models B' \sqsubseteq B$ ). Het systeem hypotheseert een ontbrekend axioma $A \sqsubseteq B'$ .
2b (Opwaarts): Identificeert ouderconcepten $A'$ van $A$ in $O'$ ( $O' \models A \sqsubseteq A'$ ). Het systeem hypotheseert een ontbrekend axioma $A' \sqsubseteq B$ .
Verificatie: Een LLM valideert de plausibiliteit van het kandidaat-ontbrekende axioma. Indien geldig, wordt de rechtvaardiging geconstrueerd als $\{A \sqsubseteq B'\} \cup J_{B' \sqsubseteq B}$ (of de symmetrische tegenhanger).

3. Brugvorming via Embedding (Stadium 3)

Als Stadium 2 faalt, zoekt het systeem naar ontbrekende axioma's op basis van pure semantische gelijkenis.

3a (Bidirectionele Zoektocht): Zoekt naar een intermediair concept $C$ zodanig dat $A \sqsubseteq C \sqsubseteq B$ . Kandidaten worden getrokken uit atomaire concepten (of complexe concepten zoals $\exists r.B_1$ in specifieke settings) en gerangschikt door een scorefunctie $s(C) = \frac{1}{2}(s(A \sqsubseteq C) + s(C \sqsubseteq B))$ . De top-kandidaten worden geverifieerd door de LLM.
3b (Directe Controle): Als er geen geschikte brug wordt gevonden, behandelt het systeem $A \sqsubseteq B$ als een elementaire bewering. De LLM verifieert direct de plausibiliteit van de subsumptie zelf. Indien deze als correct wordt beschouwd, wordt deze geretourneerd als het ontbrekende axioma; anders geeft het systeem False terug.

Implementatiedetails:

Embeddings: Het framework maakt gebruik van OnT (fijn afgestemd op de doelontologie) of SBERT (pre-trained) om concepten en rollen te coderen.
LLM: Het Qwen3.5-9B model wordt gebruikt voor prompt-gebaseerde verificatie van kandidaat-axioma's en bruggen.
Iteratieve Capaciteit: Het framework kan iteratief worden toegepast, waarbij voorspelde ontbrekende axioma's als nieuwe inputs worden gebruikt om de redeneerketen te verfijnen.

Belangrijkste Bijdragen

Gegeneraliseerde TBox Abductie Taak: De auteurs definiëren een taak die geen vooraf gedefinieerde kandidaatset van ontbrekende axioma's vereist en expliciet omgaat met gevallen waarin de gegeven subsumptie incorrect is (negatieve implicatie).
NeurOWL Framework: Een end-to-end neuro-symbolisch systeem dat gezamenlijk verificatie en abductie uitvoert, waarbij ontologie-embeddings en LLM's worden geïntegreerd om zowel in training-vrije als fijn afgestemde settings te opereren.
Empirische Evaluatie: Een uitgebreide evaluatie op real-world ontologieën (FoodOn en Snomed CT) die de effectiviteit aantoont bij variërende gradaties van onvolledigheid en complexiteit (atomaire versus existentiële restrictieconcepten).

Experimentele Resultaten

De auteurs evalueerden NeurOWL op datasets geconstrueerd uit FoodOn en Snomed CT, waarbij onvolledigheid werd gesimuleerd door 5% van de TBox-axioma's te verwijderen. De evaluatie omvatte zowel "Standaard" instellingen (atomaire concepten als bruggen) als "Complexe" instellingen (existentiële restricties $\exists r.B$ als bruggen).

Belangrijkste Bevindingen:

Prestaties: NeurOWL presteerde consistent beter dan de baselines (LLM-only, SBERT, en OnT classifiers) in termen van F1-score.
- Op FoodOnA bereikte NeurOWL (OnT) een F1 van 0,960 (Hard Neg: 0,845).
- Op SnomedA bereikte NeurOWL (OnT) een F1 van 0,968 (Hard Neg: 0,862).
- Op Snomed $\exists$ (complexe concepten) bereikte NeurOWL (OnT) een F1 van 0,924, wat aanzienlijk beter is dan de SBERT-variant (0,906) en de noodzaak van fijn afstemming voor complexe logische structuren aantoont.
Kwaliteit van Verklaringen: Het framework behaalde hoge X-F1 (correcte voorspelling + correcte verklaring) en X-F1* (alle voorspelde bruggen correct) scores.
- Op FoodOnA bereikte NeurOWL (OnT) X-F1: 0,893 en X-F1: 0,793*.
- De fijn afgestemde OnT-variant presteerde aanzienlijk beter dan de training-vrije SBERT-variant wat betreft de nauwkeurigheid van de verklaringen, met name in complexe settings.
Stadiumanalyse: Stadium 2a en 2b (Logische Brugvorming) leverden de hoogste retrieval-prestaties op (H@1 > 0,9 voor Stadium 2b op SnomedA). Stadium 3a (Bidirectionaal) had een lagere retrieval-prestatie vanwege de grotere kandidaatruimte, maar bleef cruciaal voor gevallen waar logische bruggen ontbraken.
Iteratieve Toepassing: Casestudies toonden aan dat iteratieve toepassing van NeurOWL progressief fijnmazigere ketens van ontbrekende axioma's kon genereren (bijv. het verfijnen van een subsumptie van een brede stoornis naar een specifieke maligne tumor).

Betekenis en Claims

Het artikel claimt dat NeurOWL een belangrijke stap voorwaarts vertegenwoordigt door subsumptieverificatie te verenigen met ontologie-abductie in één enkel framework. De primaire betekenis ligt in:

Het Verwijderen van de Predefiniëring van de Hypothese-Constraint: In tegen tegenstelling tot eerder werk, leunt NeurOWL niet op een vaste vocabulaire of signature, waardoor het ontbrekende axioma's kan ontdekken die elk concept in de ontologie betreffen.
Omgaan met Onzekerheid: Het adresseert expliciet het scenario waarin de geldigheid van de doelsubsumptie onzeker is, waarbij onderscheid wordt gemaakt tussen "plausibele maar ontbrekende" en "incorrecte" subsumpties.
Verklaarbaarheid: Het biedt niet alleen een binaire beslissing, maar ook een logisch sluitende verklaring die de specifieke ontbrekende axioma's en de rechtvaardigingsketen bevat, waarmee de kloof tussen neurale semantische begrip en symbolische logische redenering wordt overbrugd.

De auteurs concluderen dat hoewel het huidige werk zich richt op EL-ontologieën en existentiële restricties, het framework aanpasbaar is en een fundament legt voor toekomstige uitbreidingen naar complexere logische operatoren (bijv. $\forall$ , $\neg$ ) en iteratieve redeneercapaciteiten.