尽管在过去的几年里，深度学习模型在许多不同的领域取得了巨大的成功，但通常数据匮乏，在不可见的样本上表现不佳，而且缺乏可解释性。目标领域往往存在各种先验知识，利用这些先验知识可以弥补深度学习的不足。为了更好地模仿人类大脑的行为，人们提出了不同的先进方法来识别领域知识并将其集成到深度模型中，以实现数据高效、可泛化和可解释的深度学习，称为知识增强深度学习(KADL)。

图片

在本综述中，我们定义了KADL的概念，并介绍了它的三个主要任务，即: 知识识别、知识表示和知识整合。与现有的专注于特定类型知识的综述不同，我们提供了领域知识及其表示的广泛而完整的分类法。基于我们的分类法，我们对现有的技术进行了系统的回顾，不同于现有的综述集成方法对知识分类法的不可知的工作。该综述包含了现有的工作，并提供了知识增强深度学习一般领域的研究概览。对大量论文的全面和批判性的回顾不仅有助于了解当前的进展，而且有助于确定知识增强深度学习的未来研究方向。

论文链接：https://arxiv.org/pdf/2212.00017.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除