Fugu-MT 論文翻訳(概要): Scalable and interpretable rule-based link prediction for large heterogeneous knowledge graphs

論文の概要: Scalable and interpretable rule-based link prediction for large heterogeneous knowledge graphs

arxiv url: http://arxiv.org/abs/2012.05750v1
Date: Thu, 10 Dec 2020 15:36:47 GMT
ステータス: 処理完了
システム内更新日: 2021-05-15 06:32:19.517138
Title: Scalable and interpretable rule-based link prediction for large heterogeneous knowledge graphs
Title（参考訳）: 大規模ヘテロジニアス知識グラフに対するスケーラブルかつ解釈可能なルールベースリンク予測
Authors: Simon Ott, Laura Graf, Asan Agibetov, Christian Meilicke, Matthias Samwald
Abstract要約: スケーラブルなクラスタリングアルゴリズムを通じてルールを集約するSAFRANルールアプリケーションフレームワークを紹介します。 SAFRANは、確立された汎用ベンチマークFB15K-237で完全に解釈可能なリンク予測のための最新の結果を提供します。これはfb15k-237上で確立された複数の組込みベースのアルゴリズムの結果を超え、openbiolink上のルールベースと組込みベースのアルゴリズムの間のギャップを狭める。
参考スコア（独自算出の注目度）: 4.502717871564512
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural embedding-based machine learning models have shown promise for predicting novel links in biomedical knowledge graphs. Unfortunately, their practical utility is diminished by their lack of interpretability. Recently, the fully interpretable, rule-based algorithm AnyBURL yielded highly competitive results on many general-purpose link prediction benchmarks. However, its applicability to large-scale prediction tasks on complex biomedical knowledge bases is limited by long inference times and difficulties with aggregating predictions made by multiple rules. We improve upon AnyBURL by introducing the SAFRAN rule application framework which aggregates rules through a scalable clustering algorithm. SAFRAN yields new state-of-the-art results for fully interpretable link prediction on the established general-purpose benchmark FB15K-237 and the large-scale biomedical benchmark OpenBioLink. Furthermore, it exceeds the results of multiple established embedding-based algorithms on FB15K-237 and narrows the gap between rule-based and embedding-based algorithms on OpenBioLink. We also show that SAFRAN increases inference speeds by up to two orders of magnitude.
Abstract（参考訳）: ニューラルネットワークを用いた機械学習モデルは、バイオメディカル知識グラフにおける新しいリンクを予測することを約束している。残念ながら、実用性は解釈可能性の欠如によって低下している。近年、AnyBURLは完全に解釈可能なルールベースのアルゴリズムが、多くの汎用リンク予測ベンチマークで高い競争力を得た。しかしながら、複雑な生物医学的知識ベースにおける大規模予測タスクへの適用性は、長い推論時間と複数のルールによる予測の集約の困難によって制限される。スケーラブルなクラスタリングアルゴリズムを通じてルールを集約するsafran rule application frameworkを導入することで、anyburlを改善した。 SAFRANは、確立された汎用ベンチマーク FB15K-237 と大規模バイオメディカルベンチマーク OpenBioLink 上で、完全に解釈可能なリンク予測のための新しい最先端の結果を得る。さらに、fb15k-237上で確立された複数の組込みベースのアルゴリズムの結果を超え、openbiolink上のルールベースと組込みベースのアルゴリズムのギャップを狭める。また、SAFRANは最大2桁の推論速度を増大させることを示した。

関連論文リスト

PageRank Bandits for Link Prediction [72.61386754332776]
リンク予測は、リコメンダシステムやナレッジグラフ補完といった幅広いアプリケーションを用いたグラフ学習において重要な問題である。本稿では,リンク予測を逐次的意思決定プロセスとして再構成し,各リンク予測インタラクションを逐次的に行う。本稿では,PageRankとコンテキスト的帯域を結合した新しい融合アルゴリズム PRB (PageRank Bandits) を提案する。
論文参考訳（メタデータ） (2024-11-03T02:39:28Z)
Controllable Edge-Type-Specific Interpretation in Multi-Relational Graph Neural Networks for Drug Response Prediction [6.798254568821052]
本稿では,がん治療薬の反応予測アルゴリズムであるCETExplainerを提案する。制御可能なエッジタイプ固有の重み付け機構を導入し、予測モデルに対して微細で生物学的に意味のある説明を提供する。実世界のデータセットに関する実証分析は、CETExplainerが優れた安定性を達成し、主要なアルゴリズムと比較して説明品質を向上させることを示した。
論文参考訳（メタデータ） (2024-08-30T09:14:38Z)
Enhanced Expressivity in Graph Neural Networks with Lanczos-Based Linear Constraints [7.605749412696919]
グラフニューラルネットワーク(GNN)はグラフ構造化データの処理に優れるが、リンク予測タスクでは性能が劣ることが多い。グラフラプラシア行列の固有基底に誘導された部分グラフを埋め込むことによりGNNの表現性を高める新しい手法を提案する。提案手法は,PubMedとOGBL-Vesselのデータセットから,5%と10%のデータしか必要とせず,20倍と10倍の高速化を実現する。
論文参考訳（メタデータ） (2024-08-22T12:22:00Z)
Improving rule mining via embedding-based link prediction [2.422410293747519]
知識グラフのルールマイニングは、説明可能なリンク予測を可能にする。この2つの家系を組み合わせたいくつかのアプローチが近年提案されている。 2つのアプローチを結合する新しい方法を提案する。
論文参考訳（メタデータ） (2024-06-14T15:53:30Z)
The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
論文参考訳（メタデータ） (2023-03-17T02:01:11Z)
Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文参考訳（メタデータ） (2022-05-13T21:09:41Z)
Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-12-10T10:02:31Z)
SAFRAN: An interpretable, rule-based link prediction method outperforming embedding models [5.52834593453565]
SAFRANは、非冗長ノイズORと呼ばれる新しいアグリゲーションアプローチを用いて、アグリゲーション前に冗長なルールを検出し、クラスタ化する。 SAFRANは、確立された汎用ベンチマーク FB15K-237, WN18RR, YAGO3-10 上で、完全に解釈可能なリンク予測のための新しい最先端の結果を得る。これはFB15K-237とWN18RR上の複数の確立された埋め込みベースのアルゴリズムよりも優れており、YAGO3-10上のルールベースのアルゴリズムと埋め込みベースのアルゴリズムのギャップを狭める。
論文参考訳（メタデータ） (2021-09-16T14:18:29Z)
Improved Branch and Bound for Neural Network Verification via Lagrangian Decomposition [161.09660864941603]
ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。 BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
論文参考訳（メタデータ） (2021-04-14T09:22:42Z)
Deepened Graph Auto-Encoders Help Stabilize and Enhance Link Prediction [11.927046591097623]
リンク予測は、浅層グラフオートエンコーダ(GAE)アーキテクチャの1層または2層に基づく現在の最先端モデルを用いて、比較的未研究のグラフ学習タスクである。本論文では,浅いGAEと変動GAEしか使用できないリンク予測の現在の手法の限界に対処することに焦点をあてる。提案手法はGAEのアーキテクチャに標準オートエンコーダ(AE)を革新的に組み込んでおり、標準AEは隣接情報とノード機能をシームレスに統合することで必要不可欠な低次元表現を学習する。
論文参考訳（メタデータ） (2021-03-21T14:43:10Z)
Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。