論文の概要: Building Rule Hierarchies for Efficient Logical Rule Learning from Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2006.16171v3
• Date: Thu, 22 Oct 2020 23:32:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 13:20:21.949151
• Title: Building Rule Hierarchies for Efficient Logical Rule Learning from Knowledge Graphs
• Title（参考訳）: 知識グラフからの効率的な論理ルール学習のためのルール階層の構築
• Authors: Yulong Gu, Yu Guan, Paolo Missier
• Abstract要約: 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。
• 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: Many systems have been developed in recent years to mine logical rules from large-scale Knowledge Graphs (KGs), on the grounds that representing regularities as rules enables both the interpretable inference of new facts, and the explanation of known facts. Among these systems, the walk-based methods that generate the instantiated rules containing constants by abstracting sampled paths in KGs demonstrate strong predictive performance and expressivity. However, due to the large volume of possible rules, these systems do not scale well where computational resources are often wasted on generating and evaluating unpromising rules. In this work, we address such scalability issues by proposing new methods for pruning unpromising rules using rule hierarchies. The approach consists of two phases. Firstly, since rule hierarchies are not readily available in walk-based methods, we have built a Rule Hierarchy Framework (RHF), which leverages a collection of subsumption frameworks to build a proper rule hierarchy from a set of learned rules. And secondly, we adapt RHF to an existing rule learner where we design and implement two methods for Hierarchical Pruning (HPMs), which utilize the generated hierarchies to remove irrelevant and redundant rules. Through experiments over four public benchmark datasets, we show that the application of HPMs is effective in removing unpromising rules, which leads to significant reductions in the runtime as well as in the number of learned rules, without compromising the predictive performance.
• Abstract（参考訳）: 近年, 大規模知識グラフ(KG)から論理的ルールを抽出するために, 規則として規則を表現することによって, 新たな事実の解釈可能な推論と既知の事実の説明が可能であるという理由から, 多くのシステムが開発されている。 これらのシステムの中で、KGのサンプルパスを抽象化することで定数を含むインスタンス化されたルールを生成するウォークベース手法は、強い予測性能と表現性を示す。 しかし、可能なルールが大量にあるため、これらのシステムは計算資源がしばしば未提案のルールの生成と評価に費やされるようなスケールがうまくいかない。 本研究では,ルール階層を用いて非プロミケートルールを抽出する新しい手法を提案することで,そのようなスケーラビリティ問題に対処する。 アプローチは2つのフェーズで構成される。 まず、ルール階層はウォークベースのメソッドでは容易に利用できないため、一連の学習ルールから適切なルール階層を構築するために、サブスクライブフレームワークの集合を活用するルール階層フレームワーク(RHF)を構築しました。 次に、RHFを既存のルール学習者に適用し、生成した階層を利用して無関係かつ冗長なルールを除去する階層的プルーニング(HPM)の2つの方法の設計と実装を行う。 4つの公開ベンチマークデータセットに対する実験により、HPMの応用は、予測性能を損なうことなく、実行時だけでなく学習したルールの数も大幅に削減できる非プロミネーションルールの除去に有効であることを示す。

関連論文リスト

• A Scalable Matrix Visualization for Understanding Tree Ensemble Classifiers [20.416696003269674]
  本稿では,数万のルールを含む木アンサンブル分類法を説明するために,拡張性のある視覚解析手法を提案する。 我々は,これらのルールを階層レベルで優先順位付けするための,異常バイアスモデル削減手法を開発した。 本手法は,共通ルールと異常ルールの両方を深く理解し,包括性を犠牲にすることなく解釈性を向上させる。
  論文  参考訳（メタデータ） (2024-09-05T01:48:11Z)
• 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)
• Knowledge Reasoning via Jointly Modeling Knowledge Graphs and Soft Rules [17.301284626706856]
  知識グラフ補完法(KGC)は、ルールベースの推論と埋め込みベースの推論の2つの主要なカテゴリに分類される。 本稿では,ルールを注入し,反復的に表現を学習し,ルールと埋め込みを最大限に活用する手法を提案する。
  論文  参考訳（メタデータ） (2023-01-07T05:24:29Z)
• 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)
• Rewriting a Deep Generative Model [56.91974064348137]
  我々は,深層生成モデルによって符号化された特定の規則の操作という,新たな問題設定を導入する。 本稿では,ディープネットワークの層を線形連想メモリとして操作することで,所望のルールを変更する定式化を提案する。 本稿では,生成モデルのルールを対話的に変更し,望ましい効果を得られるユーザインタフェースを提案する。
  論文  参考訳（メタデータ） (2020-07-30T17:58:16Z)
• Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
  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。
  論文  参考訳（メタデータ） (2020-03-13T00:32:46Z)
• Hierarchical Variational Imitation Learning of Control Programs [131.7671843857375]
  パラメータ化された階層的手順(PHP)で表される制御ポリシーの模倣学習のための変分推論手法を提案する。 本手法は, 教師による実演の観察・行動トレースのデータセットにおける階層構造を, 手続き呼び出しや用語の待ち行列に近似した後続分布を学習することによって発見する。 階層的模倣学習(hierarchical mimicion learning)の文脈における変分推論の新たな利点を実証する。
  論文  参考訳（メタデータ） (2019-12-29T08:57:02Z)

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。