論文の概要: Towards Learning Instantiated Logical Rules from Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2003.06071v2
• Date: Fri, 15 May 2020 11:11:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 00:56:30.558691
• Title: Towards Learning Instantiated Logical Rules from Knowledge Graphs
• Title（参考訳）: 知識グラフからの実証論理則の学習に向けて
• Authors: Yulong Gu, Yu Guan, Paolo Missier
• Abstract要約: 本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。 GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。 オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
• 参考スコア（独自算出の注目度）: 20.251630903853016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficiently inducing high-level interpretable regularities from knowledge graphs (KGs) is an essential yet challenging task that benefits many downstream applications. In this work, we present GPFL, a probabilistic rule learner optimized to mine instantiated first-order logic rules from KGs. Instantiated rules contain constants extracted from KGs. Compared to abstract rules that contain no constants, instantiated rules are capable of explaining and expressing concepts in more details. GPFL utilizes a novel two-stage rule generation mechanism that first generalizes extracted paths into templates that are acyclic abstract rules until a certain degree of template saturation is achieved, then specializes the generated templates into instantiated rules. Unlike existing works that ground every mined instantiated rule for evaluation, GPFL shares groundings between structurally similar rules for collective evaluation. Moreover, we reveal the presence of overfitting rules, their impact on the predictive performance, and the effectiveness of a simple validation method filtering out overfitting rules. Through extensive experiments on public benchmark datasets, we show that GPFL 1.) significantly reduces the runtime on evaluating instantiated rules; 2.) discovers much more quality instantiated rules than existing works; 3.) improves the predictive performance of learned rules by removing overfitting rules via validation; 4.) is competitive on knowledge graph completion task compared to state-of-the-art baselines.
• Abstract（参考訳）: 知識グラフ(KGs)から高レベルの解釈可能な正則性を効果的に誘導することは、多くの下流アプリケーションに利益をもたらす必要不可欠なタスクである。 本研究では,一階述語論理規則のインスタンス化に最適化された確率的ルール学習器gpflを提案する。 確立された規則は、KGsから抽出された定数を含む。 定数を含まない抽象ルールと比較すると、インスタンス化されたルールは概念を詳細に説明し表現することができる。 GPFLは、抽出されたパスを一定のテンプレート飽和が達成されるまで非循環的な抽象規則であるテンプレートに一般化し、生成したテンプレートをインスタンス化されたルールに特殊化する、新しい2段階ルール生成機構を利用する。 全ての採掘されたインスタンス化ルールを評価対象とする既存の研究とは異なり、GPFLは集合評価のための構造的に類似したルール間の基盤を共有する。 さらに,オーバーフィッティングルールの存在,その予測性能への影響,およびオーバーフィッティングルールをフィルタリングする簡単な検証手法の有効性を明らかにする。 公開ベンチマークデータセットに関する広範囲な実験を通じて、gpflが 1.)インスタンス化されたルールを評価するランタイムを大幅に削減する。 2.) 既存の作業よりも品質の高いインスタンス化ルールを発見する。 3 検証により過度に適合する規則を取り除き、学習規則の予測性能を向上させること。 4.) 知識グラフ補完タスクは最先端のベースラインと比較して競争力がある。

関連論文リスト

• Learning Rules from KGs Guided by Language Models [48.858741745144044]
  ルール学習手法は、潜在的に欠落する事実を予測するために適用することができる。 規則のランク付けは、高度に不完全あるいは偏りのあるKGよりも特に難しい。 近年のLanguage Models (LM) の台頭により、いくつかの研究が、LMがKG補完の代替手段として利用できると主張している。
  論文  参考訳（メタデータ） (2024-09-12T09:27:36Z)
• Symbolic Working Memory Enhances Language Models for Complex Rule Application [87.34281749422756]
  大規模言語モデル(LLM)は、顕著な推論性能を示しているが、多段階の推論に苦慮している。 本稿では,外部ワーキングメモリを用いたLLMの拡張と,ルール適用のためのニューロシンボリックフレームワークを提案する。 当社のフレームワークは,LLMベースのルール実装とシンボリックルールグラウンディングを反復的に実施する。
  論文  参考訳（メタデータ） (2024-08-24T19:11:54Z)
• Can LLMs Reason with Rules? Logic Scaffolding for Stress-Testing and Improving LLMs [87.34281749422756]
  大規模言語モデル(LLM)は、様々な推論タスクにおいて、印象的な人間的なパフォーマンスを実現している。 しかし、その根底にある推論規則の熟達性は、人間の能力に欠ける。 本稿では,推論ルールベースであるULogicを構築するための,推論ルール生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-18T03:38:51Z)
• ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
  そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。 具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。 生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
  論文  参考訳（メタデータ） (2023-09-04T11:38:02Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• Distilling Task-specific Logical Rules from Large Pre-trained Models [24.66436804853525]
  本研究では,大規模な事前学習モデルからタスク固有の論理規則を抽出する新しい枠組みを開発する。 具体的には、初期シードルールを生成するための知識エキスパートとして、最近のプロンプトベースの言語モデルを借りる。 3つのパブリックなエンティティタグ付けベンチマークの実験は、提案フレームワークの有効性を実証している。
  論文  参考訳（メタデータ） (2022-10-06T09:12:18Z)
• Towards Target Sequential Rules [52.4562332499155]
  ターゲット・シーケンシャル・ルール・マイニング(TaSRM)と呼ばれる効率的なアルゴリズムを提案する。 新たなアルゴリズムであるTaSRMとその変種は,既存のベースラインアルゴリズムと比較して実験性能がよいことを示す。
  論文  参考訳（メタデータ） (2022-06-09T18:59:54Z)
• Bayes Point Rule Set Learning [5.065947993017157]
  解釈可能性は、機械学習アルゴリズムの設計においてますます重要な役割を担っている。 可分正規形式は、規則の集合を表現する最も解釈可能な方法である。 本稿では、DNF型ルールセットを学習するために、FIND-Sアルゴリズムの効果的なボトムアップ拡張を提案する。
  論文  参考訳（メタデータ） (2022-04-11T16:50:41Z)
• Theoretical Rule-based Knowledge Graph Reasoning by Connectivity Dependency Discovery [2.945948598480997]
  本稿では,複数のルールタイプを介して,グラフ内の接続依存性をキャプチャするルールベースの知識グラフ推論の理論を提案する。 その結果,ルールディクトモデルは新しい三重項を正確に解釈するだけでなく,1つのベンチマーク知識グラフ補完タスクにおける最先端のパフォーマンスも達成できることがわかった。
  論文  参考訳（メタデータ） (2020-11-12T03:00:20Z)
• Building Rule Hierarchies for Efficient Logical Rule Learning from Knowledge Graphs [20.251630903853016]
  本稿では,ルール階層を用いて非プロミッシングルールを抽出する新しい手法を提案する。 HPMの応用は非プロムルールの除去に有効であることを示す。
  論文  参考訳（メタデータ） (2020-06-29T16:33:30Z)

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。