論文の概要: Complex Query Answering with Neural Link Predictors
- arxiv url: http://arxiv.org/abs/2011.03459v4
- Date: Thu, 18 Mar 2021 09:42:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 04:15:04.850334
- Title: Complex Query Answering with Neural Link Predictors
- Title(参考訳): ニューラルネットワークを用いた複雑な問合せ応答
- Authors: Erik Arakelyan, Daniel Daza, Pasquale Minervini, Michael Cochez
- Abstract要約: 不完全な知識グラフ上で複雑なクエリを効率的に応答するフレームワークを提案する。
我々は、各クエリをエンドツーエンドの微分可能な目的に翻訳し、各原子の真理値が事前学習されたニューラルネットワーク予測器によって計算される。
実験では,提案手法は最先端手法よりも精度の高い結果が得られる。
- 参考スコア(独自算出の注目度): 13.872400132315988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural link predictors are immensely useful for identifying missing edges in
large scale Knowledge Graphs. However, it is still not clear how to use these
models for answering more complex queries that arise in a number of domains,
such as queries using logical conjunctions ($\land$), disjunctions ($\lor$) and
existential quantifiers ($\exists$), while accounting for missing edges. In
this work, we propose a framework for efficiently answering complex queries on
incomplete Knowledge Graphs. We translate each query into an end-to-end
differentiable objective, where the truth value of each atom is computed by a
pre-trained neural link predictor. We then analyse two solutions to the
optimisation problem, including gradient-based and combinatorial search. In our
experiments, the proposed approach produces more accurate results than
state-of-the-art methods -- black-box neural models trained on millions of
generated queries -- without the need of training on a large and diverse set of
complex queries. Using orders of magnitude less training data, we obtain
relative improvements ranging from 8% up to 40% in Hits@3 across different
knowledge graphs containing factual information. Finally, we demonstrate that
it is possible to explain the outcome of our model in terms of the intermediate
solutions identified for each of the complex query atoms. All our source code
and datasets are available online, at https://github.com/uclnlp/cqd.
- Abstract(参考訳): ニューラルネットワーク予測器は,大規模知識グラフの不足点を特定する上で非常に有用である。
しかし、論理的な結合を用いたクエリ($\land$)、代入($\lor$)、存在量化子($\exists$)といった、多くのドメインで発生するより複雑なクエリに対するこれらのモデルの使い方は、まだ明確ではない。
本研究では,不完全な知識グラフ上で複雑なクエリを効率的に応答するフレームワークを提案する。
我々は、各クエリをエンドツーエンドの微分可能な対象に変換し、各原子の真理値を事前学習されたニューラルネットワーク予測器で計算する。
次に、勾配ベースと組合せ探索を含む最適化問題に対する2つの解を解析する。
私たちの実験では、提案手法は、大規模で多様な複雑なクエリのトレーニングを必要とせずに、最先端のメソッド -- 数百万のクエリでトレーニングされたブラックボックスニューラルモデル -- よりも正確な結果を生み出す。
トレーニングデータの桁数が桁違いに少ないため、事実情報を含む知識グラフ間で、Hits@3の8%から40%までの相対的な改善が得られる。
最後に, 複雑な問合せ原子毎に同定された中間解の観点から, モデルの結果を説明することが可能であることを実証した。
ソースコードとデータセットはすべて、https://github.com/uclnlp/cqd.comで公開されています。
関連論文リスト
- One Model, Any Conjunctive Query: Graph Neural Networks for Answering Complex Queries over Knowledge Graphs [7.34044245579928]
我々は,知識グラフ上の任意の共役クエリに対する回答を分類可能なグラフニューラルネットワークモデルであるAnyCQを提案する。
我々は、AnyCQが任意の構造を持つ大規模クエリに一般化できることを示し、既存のアプローチが失敗するサンプルに対する回答を確実に分類し、検索する。
論文 参考訳(メタデータ) (2024-09-21T00:30:44Z) - Meta Operator for Complex Query Answering on Knowledge Graphs [58.340159346749964]
我々は、異なる複雑なクエリタイプではなく、異なる論理演算子型が一般化性を向上させる鍵であると主張する。
本稿では,メタ演算子を限られたデータで学習し,様々な複雑なクエリの演算子のインスタンスに適応するメタ学習アルゴリズムを提案する。
実験結果から,メタオペレータの学習は,従来のCQAモデルやメタCQAモデルよりも効果的であることが示唆された。
論文 参考訳(メタデータ) (2024-03-15T08:54:25Z) - Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。
これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。
提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
論文 参考訳(メタデータ) (2023-04-14T11:35:35Z) - Neural Graph Reasoning: Complex Logical Query Answering Meets Graph
Databases [63.96793270418793]
複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。
ニューラルグラフデータベース(NGDB)の概念を紹介する。
NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
論文 参考訳(メタデータ) (2023-03-26T04:03:37Z) - Adapting Neural Link Predictors for Data-Efficient Complex Query
Answering [45.961111441411084]
本稿では,複雑な問合せタスクに対して,ニューラルネットワーク予測スコアを再校正するために最適化されたパラメータ効率のスコア強調モデルを提案する。
CQD$mathcalA$は現在の最先端手法よりもはるかに正確な結果が得られる。
論文 参考訳(メタデータ) (2023-01-29T00:17:16Z) - Logical Message Passing Networks with One-hop Inference on Atomic
Formulas [57.47174363091452]
本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。
クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。
我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
論文 参考訳(メタデータ) (2023-01-21T02:34:06Z) - Answering Complex Logical Queries on Knowledge Graphs via Query
Computation Tree Optimization [24.53940704113805]
そこで我々は,QTO (Query Computation Tree Optimization) を提案する。
QTOは、木のようなグラフ計算、すなわちクエリ計算ツリーの前方への伝播によって最適な解を求める。
実験の結果,QTOは複雑な問合せ応答の最先端性能を向上し,平均22%の精度で過去の最良の結果を上回った。
論文 参考訳(メタデータ) (2022-12-19T15:59:00Z) - Neural Methods for Logical Reasoning Over Knowledge Graphs [14.941769519278745]
知識グラフ(KGs)上でのマルチホップ論理的クエリの応答に焦点をあてる。
これまでのほとんどの作業では、FOL(First-Order Logical)クエリを完全に受け入れるモデルを作成することができなかった。
本稿では,ニューラルネットワークを用いて一点ベクトル埋め込みを生成し,問合せに答えるモデルを提案する。
論文 参考訳(メタデータ) (2022-09-28T23:10:09Z) - Neural-Symbolic Models for Logical Queries on Knowledge Graphs [17.290758383645567]
両世界の利点を享受するニューラルシンボリックモデルであるグラフニューラルネットワーククエリ実行器(GNN-QE)を提案する。
GNN-QEは複雑なFOLクエリを、ファジィ集合上の関係投影と論理演算に分解する。
3つのデータセットの実験により、GNN-QEはFOLクエリに応答する以前の最先端モデルよりも大幅に改善されている。
論文 参考訳(メタデータ) (2022-05-16T18:39:04Z) - Neural Subgraph Matching [57.05893848555512]
NeuroMatchは、サブグラフマッチングに対する正確で効率的で堅牢な神経アプローチである。
NeuroMatchは、既存の幾何学的アプローチよりも100倍高速で、既存のサブグラフマッチング手法よりも18%精度が高い。
論文 参考訳(メタデータ) (2020-07-06T22:06:38Z)
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。