論文の概要: Fact Checking via Path Embedding and Aggregation
- arxiv url: http://arxiv.org/abs/2011.08028v1
- Date: Mon, 16 Nov 2020 15:27:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 00:24:37.992251
- Title: Fact Checking via Path Embedding and Aggregation
- Title(参考訳): 経路埋め込みと凝集によるFact Checking
- Authors: Giuseppe Pirr\`o
- Abstract要約: 本稿では,FEA(Fact Checking via path Embedding and Aggregation)システムについて述べる。
FEAは、p の領域に最も意味的に関係している s と o の間の経路を慎重に収集することから始まる。
我々は様々なKGに対して大規模な実験を行い、我々のハイブリッドソリューションは性能の面でいくつかの利点をもたらすことがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge graphs (KGs) are a useful source of background knowledge to
(dis)prove facts of the form (s, p, o). Finding paths between s and o is the
cornerstone of several fact-checking approaches. While paths are useful to
(visually) explain why a given fact is true or false, it is not completely
clear how to identify paths that are most relevant to a fact, encode them and
weigh their importance. The goal of this paper is to present the Fact Checking
via path Embedding and Aggregation (FEA) system. FEA starts by carefully
collecting the paths between s and o that are most semantically related to the
domain of p. However, instead of directly working with this subset of all
paths, it learns vectorized path representations, aggregates them according to
different strategies, and use them to finally (dis)prove a fact. We conducted a
large set of experiments on a variety of KGs and found that our hybrid solution
brings some benefits in terms of performance.
- Abstract(参考訳): 知識グラフ (KGs) は、背景知識の有用な情報源であり、形 (s, p, o) の事実を (dis) 証明する。
s と o の間の経路を見つけることは、いくつかのファクトチェックアプローチの基盤となる。
パスは(視覚的に)ある事実が真実であるか偽であるかを説明するのに役立つが、事実に最も関係のあるパスを識別し、エンコードし、その重要性を重くする方法については完全には明確ではない。
本稿では,FEA(Fact Checking through path Embedding and Aggregation)システムを提案する。
FEAは、p の領域に最も意味的に関係している s と o の間の経路を慎重に収集することから始まる。
しかし、全てのパスのこのサブセットを直接扱う代わりに、ベクトル化されたパス表現を学び、異なる戦略に従ってそれらを集約し、最終的に事実を証明するためにそれらを使用する。
様々なkgについて大規模な実験を行い、我々のハイブリッドソリューションが性能面でいくつかの利点をもたらすことを見出しました。
関連論文リスト
- Understanding the Reasoning Ability of Language Models From the
Perspective of Reasoning Paths Aggregation [117.32019595678771]
我々は、LMを、事前学習時に見られる間接的推論経路を集約することで、新たな結論を導出すると考えている。
我々は、推論経路を知識/推論グラフ上のランダムウォークパスとして定式化する。
複数のKGおよびMWPデータセットの実験と分析により、ランダムウォークパスに対するトレーニングの効果が明らかにされた。
論文 参考訳(メタデータ) (2024-02-05T18:25:51Z) - Path Choice Matters for Clear Attribution in Path Methods [84.29092710376217]
重要でない特徴に対する高い属性を割り当てるtextbfConcentration Principleを導入する。
次に、モデルに依存しないインタプリタである textbfSAMP を提示し、ほぼ最適経路を効率的に探索する。
また、厳密性と最適性を改善するために、無限小制約(IC)と運動量戦略(MS)を提案する。
論文 参考訳(メタデータ) (2024-01-19T01:11:44Z) - ReCEval: Evaluating Reasoning Chains via Correctness and Informativeness [67.49087159888298]
ReCEvalは2つの重要な特性(正確性と情報性)を通じて推論チェーンを評価するフレームワークである。
本稿では、ReCEvalが様々なエラータイプを効果的に識別し、従来の手法と比較して顕著な改善をもたらすことを示す。
論文 参考訳(メタデータ) (2023-04-21T02:19:06Z) - Discover Important Paths in the Knowledge Graph Based on Dynamic
Relation Confidence [2.6032596415721945]
経路特徴に基づく推論法は知識グラフ推論の分野で広く用いられている。
本稿では,動的関係信頼度と他の指標を組み合わせたDCパス法を提案する。
論文 参考訳(メタデータ) (2022-11-02T06:37:01Z) - Ablation Path Saliency [0.0]
ブラックボックス分類を説明するために, 様々な方法が提案されている。
しかしながら、これらの手法のいくつかは、単一のより一般的な手順のエッジケースと見なすことができる。
さらに, アブレーションパスは, 独自の技術として直接利用できることを示す。
論文 参考訳(メタデータ) (2022-09-26T07:00:40Z) - GreedyNASv2: Greedier Search with a Greedy Path Filter [70.64311838369707]
ワンショットNAS法では、検索スペースは通常かなり大きい(例えば1321ドル)。
本稿では,明示的な経路フィルタを用いて経路の特性を抽出し,弱い経路を直接フィルタする。
例えば、取得したGreedyNASv2-Lは、ImageNetデータセットで811.1%のTop-1精度を実現し、ResNet-50の強いベースラインを著しく上回っている。
論文 参考訳(メタデータ) (2021-11-24T16:32:29Z) - Path-based knowledge reasoning with textual semantic information for
medical knowledge graph completion [20.929596842568994]
医療知識グラフ(KG)は、しばしば著しく不完全であるため、医療知識グラフの完成(MedKGC)の要求が必要とされる。
MedKGCはKGsの知識から新たな事実を見つけることができる。
本稿では,経路の空間的問題をそれぞれ解決するための2つの新しい経路に基づく推論手法を提案する。
論文 参考訳(メタデータ) (2021-05-27T11:45:59Z) - Joint Semantics and Data-Driven Path Representation for Knowledge Graph
Inference [60.048447849653876]
我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。
提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
論文 参考訳(メタデータ) (2020-10-06T10:24:45Z) - Connecting the Dots: A Knowledgeable Path Generator for Commonsense
Question Answering [50.72473345911147]
本稿では、一般的な共通センスQAフレームワークを、知識のあるパスジェネレータで拡張する。
KGの既存のパスを最先端の言語モデルで外挿することで、ジェネレータはテキスト内のエンティティのペアを動的で、潜在的に新しいマルチホップリレーショナルパスに接続することを学びます。
論文 参考訳(メタデータ) (2020-05-02T03:53:21Z)
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。