論文の概要: Theoretical Rule-based Knowledge Graph Reasoning by Connectivity Dependency Discovery

• arxiv url: http://arxiv.org/abs/2011.06174v7
• Date: Sun, 12 Jun 2022 17:49:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 06:58:51.463984
• Title: Theoretical Rule-based Knowledge Graph Reasoning by Connectivity Dependency Discovery
• Title（参考訳）: 接続依存性発見による理論的規則に基づく知識グラフ推論
• Authors: Canlin Zhang, Chun-Nan Hsu, Yannis Katsis, Ho-Cheol Kim, Yoshiki Vazquez-Baeza
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.945948598480997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering precise and interpretable rules from knowledge graphs is regarded as an essential challenge, which can improve the performances of many downstream tasks and even provide new ways to approach some Natural Language Processing research topics. In this paper, we present a fundamental theory for rule-based knowledge graph reasoning, based on which the connectivity dependencies in the graph are captured via multiple rule types. It is the first time for some of these rule types in a knowledge graph to be considered. Based on these rule types, our theory can provide precise interpretations to unknown triples. Then, we implement our theory by what we call the RuleDict model. Results show that our RuleDict model not only provides precise rules to interpret new triples, but also achieves state-of-the-art performances on one benchmark knowledge graph completion task, and is competitive on other tasks.
• Abstract（参考訳）: 知識グラフから正確かつ解釈可能なルールを発見することは、多くの下流タスクのパフォーマンスを改善し、自然言語処理の研究トピックにアプローチするための新しい方法を提供する、重要な課題であると考えられている。 本稿では,ルールベースの知識グラフ推論の基本理論について述べる。 知識グラフでこれらのルールの型が考慮されるのは、これが初めてである。 これらの規則型に基づいて、我々の理論は未知の三重項に正確な解釈を与えることができる。 そして、ルールディクトモデルと呼ばれる方法で理論を実装します。 その結果,ルールディクトモデルは新しい三重項を解釈する正確なルールを提供するだけでなく,ある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し,他のタスクと競合することを示す。

関連論文リスト

• From Chain to Tree: Refining Chain-like Rules into Tree-like Rules on Knowledge Graphs [26.237564631208354]
  本稿では,知識グラフのツリーライクなルールの概念を提案し,適用範囲を拡大する。 本稿では,チェーンライクなルールをツリーライクなルールに書き換えるための効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-08T07:55:42Z)
• 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)
• On the Aggregation of Rules for Knowledge Graph Completion [9.628032156001069]
  知識グラフ補完のためのルール学習アプローチは、純粋にニューラルモデルに対して効率的、解釈可能、競争的である。 既存のアグリゲーションアプローチは,予測ルールよりも限界推論操作として表現できることを示す。 本稿では,従来の戦略を組み合わさり,計算上より高価なアプローチと競合する,効率的で見落とされがちなベースラインを提案する。
  論文  参考訳（メタデータ） (2023-09-01T07:32:11Z)
• 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)
• Understanding Expressivity of GNN in Rule Learning [36.04983130825589]
  ルール学習は知識グラフ(KG)推論を改善するために重要である。 テールエンティティスコアリングを持つGNNは、共通のフレームワークに統合される。 そこで我々は,KG推論におけるルールをより多く学習するための新しいラベリング戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-22T04:49:00Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• 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)
• RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
  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。
  論文  参考訳（メタデータ） (2020-10-08T14:47:02Z)
• 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)
• 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)

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。