論文の概要: BoxE: A Box Embedding Model for Knowledge Base Completion

• arxiv url: http://arxiv.org/abs/2007.06267v2
• Date: Thu, 29 Oct 2020 09:48:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 22:47:12.908082
• Title: BoxE: A Box Embedding Model for Knowledge Base Completion
• Title（参考訳）: BoxE: 知識ベース完成のためのボックス埋め込みモデル
• Authors: Ralph Abboud, \.Ismail \.Ilkan Ceylan, Thomas Lukasiewicz, Tommaso Salvatori
• Abstract要約: 知識ベース補完(KBC)は、知識ベース(KB)に存在する情報を活用することにより、行方不明な事実を自動的に推測することを目的とする。 既存の埋め込みモデルは、以下の制限の少なくとも1つに該当する。 BoxEは、エンティティをポイントとして、関係をハイパー矩形(またはボックス)の集合として埋め込む
• 参考スコア（独自算出の注目度）: 53.57588201197374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge base completion (KBC) aims to automatically infer missing facts by exploiting information already present in a knowledge base (KB). A promising approach for KBC is to embed knowledge into latent spaces and make predictions from learned embeddings. However, existing embedding models are subject to at least one of the following limitations: (1) theoretical inexpressivity, (2) lack of support for prominent inference patterns (e.g., hierarchies), (3) lack of support for KBC over higher-arity relations, and (4) lack of support for incorporating logical rules. Here, we propose a spatio-translational embedding model, called BoxE, that simultaneously addresses all these limitations. BoxE embeds entities as points, and relations as a set of hyper-rectangles (or boxes), which spatially characterize basic logical properties. This seemingly simple abstraction yields a fully expressive model offering a natural encoding for many desired logical properties. BoxE can both capture and inject rules from rich classes of rule languages, going well beyond individual inference patterns. By design, BoxE naturally applies to higher-arity KBs. We conduct a detailed experimental analysis, and show that BoxE achieves state-of-the-art performance, both on benchmark knowledge graphs and on more general KBs, and we empirically show the power of integrating logical rules.
• Abstract（参考訳）: 知識ベース補完(KBC)は、知識ベース(KB)に存在する情報を利用して、行方不明の事実を自動的に推測することを目的としている。 KBCの有望なアプローチは、知識を潜在空間に埋め込み、学習された埋め込みから予測することである。 しかしながら、既存の埋め込みモデルは、(1)理論的非表現性、(2)顕著な推論パターン(例えば階層)のサポートの欠如、(3)高次関係に対するKBCのサポートの欠如、(4)論理規則を組み込むサポートの欠如、の2つの制限の少なくとも1つに該当する。 本稿では,これらの制約を全て同時に解決する,boxeと呼ばれる時空間翻訳埋め込みモデルを提案する。 BoxEは、エンティティをポイントとして、そして関係を、空間的に基本的な論理的性質を特徴づける超矩形(またはボックス)の集合として埋め込む。 この一見単純な抽象化は、多くの望ましい論理特性の自然なエンコーディングを提供する完全表現型モデルをもたらす。 boxeは、個々の推論パターンを超えて、ルール言語のリッチクラスからルールをキャプチャし、注入することができる。 設計上、BoxEは自然に高アリティKBに適用される。 我々は、詳細な実験分析を行い、BoxEがベンチマーク知識グラフとより一般的なKBの両方で最先端のパフォーマンスを達成できることを示し、論理ルールの統合のパワーを実証的に示す。

関連論文リスト

• ConstraintChecker: A Plugin for Large Language Models to Reason on Commonsense Knowledge Bases [53.29427395419317]
  コモンセンス知識ベース(CSKB)に対する推論は,新しいコモンセンス知識を取得する方法として検討されてきた。 我々は**ConstraintChecker*を提案します。
  論文  参考訳（メタデータ） (2024-01-25T08:03:38Z)
• CANDLE: Iterative Conceptualization and Instantiation Distillation from Large Language Models for Commonsense Reasoning [45.62134354858683]
  CANDLEは、コモンセンス知識ベースに対する概念化とインスタンス化を反復的に行うフレームワークである。 CANDLEをATOMICに適用することにより、600万の概念化と三重項のインスタンス化を含む総合的な知識基盤を構築する。
  論文  参考訳（メタデータ） (2024-01-14T13:24:30Z)
• CAR: Conceptualization-Augmented Reasoner for Zero-Shot Commonsense Question Answering [56.592385613002584]
  ゼロショットコモンセンス質問応答の課題に対処するために,概念化強化推論器(CAR)を提案する。 CARは、CommonSenseの知識を多くの高レベルなインスタンスに抽象化し、CommonSenseの知識ベースの範囲を拡大する。 CARは、既存のメソッドよりも、ゼロショットのコモンセンスシナリオに関する質問に答えることにより、より堅牢に一般化する。
  論文  参考訳（メタデータ） (2023-05-24T08:21:31Z)
• Adapting Knowledge for Few-shot Table-to-Text Generation [35.59842534346997]
  AKG(Adapt-Knowledge-to-Generate)という新しいフレームワークを提案する。 AKGはラベルのないドメイン固有の知識をモデルに適応させ、少なくとも3つの利点をもたらす。 本モデルでは,人間の評価と自動評価により,流速,精度の両面において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T05:48:53Z)
• 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)
• TIARA: Multi-grained Retrieval for Robust Question Answering over Large Knowledge Bases [20.751369684593985]
  TIARAは、PLMやオラクルエンティティアノテーションなどを含む以前のSOTAよりも、GrailQAおよびWebQuestionsSP上の少なくとも4.1と1.1のF1ポイントが優れている。
  論文  参考訳（メタデータ） (2022-10-24T02:41:10Z)
• Acquiring and Modelling Abstract Commonsense Knowledge via Conceptualization [49.00409552570441]
  本研究では,コモンセンス推論における概念化の役割について検討し,人間の概念化を再現する枠組みを定式化する。 ATOMIC は大規模な人為的注釈付き CKG であり,この枠組みを分類プロベースで支援している。
  論文  参考訳（メタデータ） (2022-06-03T12:24:49Z)
• Box Embeddings for the Description Logic EL++ [21.89072991669119]
  論理構造をよりよくキャプチャできる幾何学的KB埋め込み手法であるBoxELを提案する。 論理構造を保存するためにBoxELの理論的保証(音性)を示す。 仮定推論および実世界のタンパク質タンパク質予測実験の結果,BoxELは従来の知識グラフ埋め込み法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-24T19:24:22Z)
• Combining Rules and Embeddings via Neuro-Symbolic AI for Knowledge Base Completion [59.093293389123424]
  すべてのルールベースの知識ベースコンプリートモデルが同じではないことを示す。 1)関係の混合と,2)経路の混合の2つの異なるアプローチを提案する。 ブール論理を実数値論理に拡張することでルールを学習するニューロシンボリックAI上に実装すると、後者のモデルは、平均相互ランクにおいて、最先端のKBC精度を2-10%向上させる。
  論文  参考訳（メタデータ） (2021-09-16T17:54:56Z)

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。