**des contre-exemples importants: extraction de faits négatifs pour les graphes de connaissances et l'apprentissage automatique. // counterexamples that matter: mining negative facts for knowledge graphs and machine learning

Topic description

Ce projet de thèse vise à développer des méthodologies évolutives pour l'extraction, la validation et l'intégration de faits négatifs dans les graphes de connaissances. Contrairement aux approches traditionnelles centrées sur la connaissance positive, cette recherche explorera les contradictions logiques, l'échantillonnage négatif adversarial et l'extraction de contradictions à partir de textes afin d'identifier des énoncés négatifs de haute qualité. Le projet concevra une taxonomie de la connaissance négative, reliant le raisonnement symbolique, l'apprentissage automatique et le traitement du langage naturel (NLP). Il aboutira également à la création d'un jeu de données de référence et évaluera comment les faits négatifs améliorent les modèles d'IA pour la prédiction de liens, le raisonnement et la réponse aux questions. Cette recherche unifiera les contraintes ontologiques, l'apprentissage statistique et la détection de la négation dans les textes, conduisant à un cadre hybride pour l'intégration des faits négatifs dans les graphes de connaissances pilotés par l'IA.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project aims to develop scalable methodologies for mining, validating, and integrating negative facts into knowledge graphs. Unlike traditional approaches that focus on positive knowledge, this research will explore logical contradictions, adversarial negative sampling, and text-based contradiction mining to extract high-quality negative statements. The project will design a taxonomy of negative knowledge, bridging symbolic reasoning, machine learning, and NLP. It will also build a benchmark dataset and evaluate how negative facts enhance AI models for link prediction, reasoning, and question answering. The research will unify ontological constraints, statistical learning, and textual negation detection, leading to a hybrid framework for negative fact integration in AI-driven knowledge graphs.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Funding further details

Programme AAP SPRINGCS - GS ISN