論文の概要: Heterogeneous Relational Reasoning in Knowledge Graphs with
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2003.06050v1
- Date: Thu, 12 Mar 2020 22:39:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 06:36:24.397977
- Title: Heterogeneous Relational Reasoning in Knowledge Graphs with
Reinforcement Learning
- Title(参考訳): 強化学習を用いた知識グラフの不均一関係推論
- Authors: Mandana Saebi, Steven Krieg, Chuxu Zhang, Meng Jiang, and Nitesh
Chawla
- Abstract要約: 本稿では,局所的な情報を用いて知識グラフ上の経路に基づく効率的な推論を行う型強化学習エージェントを提案する。
我々のソリューションは、近隣情報を符号化するためにグラフニューラルネットワーク(GNN)を使用し、アクション空間を熟成するためにエンティティタイプを利用する。
- 参考スコア(独自算出の注目度): 21.33973806169273
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Path-based relational reasoning over knowledge graphs has become increasingly
popular due to a variety of downstream applications such as question answering
in dialogue systems, fact prediction, and recommender systems. In recent years,
reinforcement learning (RL) has provided solutions that are more interpretable
and explainable than other deep learning models. However, these solutions still
face several challenges, including large action space for the RL agent and
accurate representation of entity neighborhood structure. We address these
problems by introducing a type-enhanced RL agent that uses the local
neighborhood information for efficient path-based reasoning over knowledge
graphs. Our solution uses graph neural network (GNN) for encoding the
neighborhood information and utilizes entity types to prune the action space.
Experiments on real-world dataset show that our method outperforms
state-of-the-art RL methods and discovers more novel paths during the training
procedure.
- Abstract(参考訳): ナレッジグラフ上のパスベースの関係推論は,対話システムにおける質問応答,事実予測,レコメンダシステムなど,下流のさまざまなアプリケーションによって人気が高まっている。
近年、強化学習(RL)は、他のディープラーニングモデルよりも解釈可能で説明可能なソリューションを提供している。
しかし、これらのソリューションは、rlエージェントに対する大きなアクションスペースやエンティティ近傍構造の正確な表現など、まだいくつかの課題に直面している。
我々は,知識グラフ上の経路に基づく効率的な推論に局所的近傍情報を用いた型エンハンス型rlエージェントを導入することで,これらの問題に対処する。
提案手法では,グラフニューラルネットワーク(gnn)を用いて近傍情報を符号化し,エンティティタイプを用いて動作空間を縮小する。
実世界のデータセットを用いた実験により,本手法は最先端のRL法より優れ,トレーニング手順中に新たな経路が発見された。
関連論文リスト
- AriGraph: Learning Knowledge Graph World Models with Episodic Memory for LLM Agents [19.249596397679856]
AriGraphは、環境を探索しながら意味記憶とエピソード記憶を統合するメモリグラフである。
我々は,Ariadne LLMエージェントが対話型テキストゲーム環境における複雑なタスクを,人間プレイヤーでも効果的に処理できることを実証した。
論文 参考訳(メタデータ) (2024-07-05T09:06:47Z) - GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。
提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
論文 参考訳(メタデータ) (2024-05-21T03:33:07Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - Learning State-Augmented Policies for Information Routing in
Communication Networks [92.59624401684083]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。
教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。
実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文 参考訳(メタデータ) (2023-09-30T04:34:25Z) - Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。
このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。
我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
論文 参考訳(メタデータ) (2023-07-03T16:01:45Z) - Deep Reinforcement Learning Guided Improvement Heuristic for Job Shop
Scheduling [30.45126420996238]
本稿では,完全解の符号化にグラフ表現を用いる JSSP を解くための DRL 誘導型改良法を提案する。
本研究では,2つのモジュールからなるグラフニューラルネットワークに基づく表現スキームを設計し,改良プロセス中に遭遇したグラフ内の動的トポロジと異なるタイプのノードの情報を自動的に取得する。
古典的なベンチマーク実験により,本手法が学んだ改善方針は,最先端のDRL法よりも大きなマージンで優れていることが示された。
論文 参考訳(メタデータ) (2022-11-20T10:20:13Z) - Agent-Controller Representations: Principled Offline RL with Rich
Exogenous Information [49.06422815335159]
オフラインで収集したデータからエージェントを制御する学習は、実世界の強化学習(RL)の応用にとって不可欠である
本稿では,この問題を研究可能なオフラインRLベンチマークを提案する。
現代の表現学習技術は、ノイズが複雑で時間依存のプロセスであるデータセットで失敗する可能性がある。
論文 参考訳(メタデータ) (2022-10-31T22:12:48Z) - A Survey on Offline Reinforcement Learning: Taxonomy, Review, and Open
Problems [0.0]
強化学習(RL)は、急速に人気が高まっている。
高いコストと環境との相互作用の危険性のため、RLにはアクセスできない領域がまだ広い範囲にある。
オフラインRLは、以前に収集されたインタラクションの静的データセットからのみ学習するパラダイムである。
論文 参考訳(メタデータ) (2022-03-02T20:05:11Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - Explainability in Deep Reinforcement Learning [68.8204255655161]
説明可能な強化学習(XRL)の実現に向けての最近の成果を概観する。
エージェントの振る舞いを正当化し、説明することが不可欠である重要な状況において、RLモデルのより良い説明可能性と解釈性は、まだブラックボックスと見なされているものの内部動作に関する科学的洞察を得るのに役立つ。
論文 参考訳(メタデータ) (2020-08-15T10:11:42Z) - Graph-based State Representation for Deep Reinforcement Learning [1.5901689240516976]
基礎となるマルコフ決定プロセス(MDP)がグラフを表現しているという事実を利用して、このトポロジ情報を有効状態表現学習に組み込むことができる。
近年のグラフ解析タスクにおけるノード表現の成功により,ノード表現学習手法が深部RLにおける基礎となるMDPのトポロジを効果的にエンコードする能力について検討した。
その結果,すべての埋め込み手法が,グリッドワールド環境の一般的な行列表現よりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-04-29T05:43:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。