論文の概要: RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2010.04029v2
- Date: Fri, 16 Jul 2021 02:52:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 11:22:35.947389
- Title: RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs
- Title（参考訳）: RNNLogic:知識グラフに基づく推論のための論理ルールの学習
- Authors: Meng Qu, Junkun Chen, Louis-Pascal Xhonneux, Yoshua Bengio, Jian Tang
- Abstract要約: 本稿では知識グラフに基づく推論のための論理規則の学習について研究する。
論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。
既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
- 参考スコア（独自算出の注目度）: 91.71504177786792
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies learning logic rules for reasoning on knowledge graphs.
Logic rules provide interpretable explanations when used for prediction as well
as being able to generalize to other tasks, and hence are critical to learn.
Existing methods either suffer from the problem of searching in a large search
space (e.g., neural logic programming) or ineffective optimization due to
sparse rewards (e.g., techniques based on reinforcement learning). To address
these limitations, this paper proposes a probabilistic model called RNNLogic.
RNNLogic treats logic rules as a latent variable, and simultaneously trains a
rule generator as well as a reasoning predictor with logic rules. We develop an
EM-based algorithm for optimization. In each iteration, the reasoning predictor
is first updated to explore some generated logic rules for reasoning. Then in
the E-step, we select a set of high-quality rules from all generated rules with
both the rule generator and reasoning predictor via posterior inference; and in
the M-step, the rule generator is updated with the rules selected in the
E-step. Experiments on four datasets prove the effectiveness of RNNLogic.
- Abstract（参考訳）: 本稿では知識グラフに基づく推論のための論理規則の学習について述べる。
論理ルールは、予測に使われるときに解釈可能な説明を提供し、他のタスクに一般化することができるため、学習に不可欠である。
既存の手法は、大きな探索空間(例えば、ニューラルネットワークプログラミング)で探索する問題や、不十分な報酬(例えば強化学習に基づく技術)による非効率的な最適化に苦しむ。
そこで本研究では,RNNLogicと呼ばれる確率モデルを提案する。
rnnlogicは論理ルールを潜在変数として扱い、ルール生成器と論理ルールによる推論予測器を同時に訓練する。
最適化のためのEMベースのアルゴリズムを開発した。
各イテレーションで、推論予測器は最初に更新され、推論のために生成された論理ルールを探索する。
そして、Eステップにおいて、ルール生成器と推論予測器の両方を用いて、生成されたルールから高品質なルールのセットを選択し、Mステップでは、ルール生成器をEステップで選択したルールで更新する。
4つのデータセットの実験は、RNNLogicの有効性を証明する。
関連論文リスト
- Efficiently Learning Probabilistic Logical Models by Cheaply Ranking Mined Rules [9.303501974597548]
我々は、論理規則の精度とリコールを導入し、それらの構成をルールユーティリティとして定義する。
我々は、リレーショナルデータから論理モデルを学ぶためのスケーラブルなフレームワークであるSPECTRUMを紹介する。
論文 参考訳（メタデータ） (2024-09-24T16:54:12Z) - 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) - Logical Entity Representation in Knowledge-Graphs for Differentiable
Rule Learning [71.05093203007357]
本稿では,知識グラフ内のエンティティのコンテキスト情報をエンコードするための論理エンティティ・リプレゼンテーション(LERP)を提案する。
LERPは、エンティティの隣接部分グラフ上の確率論的論理関数のベクトルとして設計されている。
我々のモデルは知識グラフ補完において他のルール学習法よりも優れており、最先端のブラックボックス法に匹敵する、あるいは優れている。
論文 参考訳（メタデータ） (2023-05-22T05:59:22Z) - Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。
他のものと比較して、LNNは古典的なブール論理と強く結びついている。
標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
論文 参考訳（メタデータ） (2021-12-06T19:38:30Z) - Learning Logic Rules for Document-level Relation Extraction [41.442030707813636]
学習論理規則による文書レベルの関係抽出のための新しい確率モデルであるLogiREを提案する。
LogiREはロジックルールを潜在変数として扱い、ルールジェネレータと関係抽出器という2つのモジュールから構成される。
ニューラルネットワークにロジックルールを導入することで、LogiREは長距離依存関係を明示的にキャプチャし、解釈を良くすることができる。
論文 参考訳（メタデータ） (2021-11-09T20:32:30Z) - Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。
ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。
モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
論文 参考訳（メタデータ） (2020-03-14T05:45:55Z)
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。