في عالم يتغير بسرعة، تزداد الحاجة إلى نماذج يمكن أن تتكيف مع الظروف المتغيرة. هنا يأتي دور CLARK (Closed-loop Learning for Adaptive Reasoning over Knowledge Graphs)، الإطار الذي يفتح الباب أمام تحسين دقة التصنيف عبر دمج الرسوم البيانية المعرفية (Knowledge Graphs) مع التقييم القائم على القواعد.

تعتبر نماذج التعلم الآلي نموذجًا مستخدمًا على نطاق واسع لأتمتة مهام التصنيف، ولكنها تعاني من تراجع الأداء عند تغيّر توزيع البيانات، مما يجعلها غير ملائمة للتعامل مع المعلومات الغامضة والمتطورة. بالتالي، فإن CLARK يستجيب لهذه التحديات من خلال تقديم نهج متكامل يجمع بين الرسوم البيانية المعرفية، واستخراج القواعد الرمزية، والتفكير الاحتمالي.

يبدأ CLARK ببيانات مستخلصة من رسوم بيانية تم الحصول عليها من CACTUS، حيث يقوم بتحويل بنية الرسم البياني إلى برنامج (LP^{MLN}) ويعمل بشكل دوري على إثرائه بالقواعد المقترحة من المتعلمين الرمزيين. كما يقوم بتعديل هذه القواعد من خلال تعلم الوزن الاحتمالي، مما يمكّن النموذج من التفكير في بيئات غير مؤكدة.

لقد تم تقييم CLARK على مجموعتين من البيانات الطبية، مع تحليل كل من جودة القواعد وأداء التصنيف. أظهرت النتائج تحسنًا ملحوظًا في أداء التصنيف وزيادة في قدرة الاستنتاج العام.

بفضل هذا الإطار، يمكننا الآن بناء نماذج مفسرة وقائمة على المعرفة وقابلة للتكيف لتحسين نتائج التصنيف بشكل كبير، مما يمثل خطوة جديدة مثيرة في مجال الذكاء الاصطناعي.