論文の概要: Materializing Knowledge Bases via Trigger Graphs
- arxiv url: http://arxiv.org/abs/2102.02753v1
- Date: Thu, 4 Feb 2021 17:31:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 16:14:26.727866
- Title: Materializing Knowledge Bases via Trigger Graphs
- Title(参考訳): トリガーグラフによる知識ベースの実現
- Authors: Efthymia Tsamoura, David Carral, Enrico Malizia, Jacopo Urbani
- Abstract要約: 本稿では、冗長な計算を避けるためにルールの実行をガイドするTrigger Graphs(TGs)の概念を紹介する。
我々は,TGがコモディティマシン上での17B事実を40分以内で実現できることを,追跡よりもはるかに効率よく示す。
- 参考スコア(独自算出の注目度): 24.377997175022994
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The chase is a well-established family of algorithms used to materialize
Knowledge Bases (KBs), like Knowledge Graphs (KGs), to tackle important tasks
like query answering under dependencies or data cleaning. A general problem of
chase algorithms is that they might perform redundant computations. To counter
this problem, we introduce the notion of Trigger Graphs (TGs), which guide the
execution of the rules avoiding redundant computations. We present the results
of an extensive theoretical and empirical study that seeks to answer when and
how TGs can be computed and what are the benefits of TGs when applied over
real-world KBs. Our results include introducing algorithms that compute
(minimal) TGs. We implemented our approach in a new engine, and our experiments
show that it can be significantly more efficient than the chase enabling us to
materialize KBs with 17B facts in less than 40 min on commodity machines.
- Abstract(参考訳): このチェイスは、KG(Knowledge Graphs)のような知識ベース(KB)を実現するためによく確立されたアルゴリズムのファミリーであり、依存関係下でのクエリ応答やデータクリーニングといった重要なタスクに対処する。
追従アルゴリズムの一般的な問題は、冗長な計算を実行することである。
この問題に対処するために,冗長な計算を避けるためのルールの実行を導くトリガーグラフ(tgs)の概念を導入する。
実世界KB上でTGがいつどのように計算され、TGのメリットがどのようなものかを解くための広範な理論的および実証的研究の結果を提示する。
結果は、(最小の)tgを計算するアルゴリズムの導入を含む。
提案手法を新しいエンジンに実装し,実験結果から,コモディティマシン上での17B事実を40分未満で実現可能なKBよりもはるかに効率がよいことを示した。
関連論文リスト
- Do NOT Think That Much for 2+3=? On the Overthinking of o1-Like LLMs [76.43407125275202]
o1のようなモデルは、推論中に人間のような長時間の思考をエミュレートすることができる。
本論文は,これらのモデルにおける過度な考察の課題に関する,最初の包括的研究である。
精度を損なうことなく、過剰思考を緩和し、推論プロセスを合理化するための戦略を提案する。
論文 参考訳(メタデータ) (2024-12-30T18:55:12Z) - On the Generalization Capability of Temporal Graph Learning Algorithms:
Theoretical Insights and a Simpler Method [59.52204415829695]
テンポラルグラフ学習(TGL)は、様々な現実世界のアプリケーションにまたがる一般的なテクニックとなっている。
本稿では,異なるTGLアルゴリズムの一般化能力について検討する。
一般化誤差が小さく、全体的な性能が向上し、モデルの複雑さが低下する単純化されたTGLネットワークを提案する。
論文 参考訳(メタデータ) (2024-02-26T08:22:22Z) - Learning Arithmetic Formulas in the Presence of Noise: A General
Framework and Applications to Unsupervised Learning [4.10375234787249]
教師なし学習問題に対する効率的なアルゴリズム設計のための枠組みを提案する。
我々のフレームワークは,雑音の存在下で演算回路を学習するメタアルゴリズムに基づいている。
論文 参考訳(メタデータ) (2023-11-13T12:26:25Z) - Can We Do Better Than Random Start? The Power of Data Outsourcing [9.677679780556103]
多くの組織は豊富なデータにアクセスできますが、データを処理するための計算能力がありません。
そこで本研究では,少量のアウトソースデータを用いて優れた初期点を求めるシミュレーションに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-17T05:34:36Z) - Practical, Provably-Correct Interactive Learning in the Realizable
Setting: The Power of True Believers [12.09273192079783]
我々は、対話型学習を実現可能な設定で検討し、最適な腕の識別からアクティブな分類に至るまでの問題に対処する一般的な枠組みを開発する。
我々は,最小限の値と対数係数とを一致させる,計算効率のよい新しいアルゴリズムを設計する。
論文 参考訳(メタデータ) (2021-11-09T02:33:36Z) - How to transfer algorithmic reasoning knowledge to learn new algorithms? [23.335939830754747]
我々は,実行トレースにアクセス可能なアルゴリズムを用いて,そうでない同様のタスクを解く方法について検討する。
9つのアルゴリズムと3つの異なるグラフタイプを含むデータセットを作成します。
我々はこれを実証的に検証し、その代わりにマルチタスク学習を用いてアルゴリズム推論知識の伝達を実現する方法を示す。
論文 参考訳(メタデータ) (2021-10-26T22:14:47Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳(メタデータ) (2021-01-08T18:55:07Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-01-07T08:00:02Z) - Probabilistic Case-based Reasoning for Open-World Knowledge Graph
Completion [59.549664231655726]
ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。
本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。
提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
論文 参考訳(メタデータ) (2020-10-07T17:48:12Z) - Discovering Reinforcement Learning Algorithms [53.72358280495428]
強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。
本稿では,更新ルール全体を検出するメタラーニング手法を提案する。
これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
論文 参考訳(メタデータ) (2020-07-17T07:38:39Z)
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。