論文の概要: Logic Embeddings for Complex Query Answering

• arxiv url: http://arxiv.org/abs/2103.00418v1
• Date: Sun, 28 Feb 2021 07:52:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 17:03:31.713659
• Title: Logic Embeddings for Complex Query Answering
• Title（参考訳）: 複雑クエリアンサーのためのロジック埋め込み
• Authors: Francois Luus, Prithviraj Sen, Pavan Kapanipathi, Ryan Riegel, Ndivhuwo Makondo, Thabang Lebese, Alexander Gray
• Abstract要約: skolemisationを用いて効率的なクエリのための存在変数を排除する、複雑なクエリを組み込む新しいアプローチであるlogic embeddedsを提案する。 論理組込みは,大規模で不完全な知識グラフ上でのクエリ応答において競争的に高速かつ正確であり,否定的問合せよりも優れており,特に回答の不確かさのモデリングが向上している。
• 参考スコア（独自算出の注目度）: 56.25151854231117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Answering logical queries over incomplete knowledge bases is challenging because: 1) it calls for implicit link prediction, and 2) brute force answering of existential first-order logic queries is exponential in the number of existential variables. Recent work of query embeddings provides fast querying, but most approaches model set logic with closed regions, so lack negation. Query embeddings that do support negation use densities that suffer drawbacks: 1) only improvise logic, 2) use expensive distributions, and 3) poorly model answer uncertainty. In this paper, we propose Logic Embeddings, a new approach to embedding complex queries that uses Skolemisation to eliminate existential variables for efficient querying. It supports negation, but improves on density approaches: 1) integrates well-studied t-norm logic and directly evaluates satisfiability, 2) simplifies modeling with truth values, and 3) models uncertainty with truth bounds. Logic Embeddings are competitively fast and accurate in query answering over large, incomplete knowledge graphs, outperform on negation queries, and in particular, provide improved modeling of answer uncertainty as evidenced by a superior correlation between answer set size and embedding entropy.
• Abstract（参考訳）: 不完全知識ベースに対する論理的クエリの解答は,1)暗黙的リンク予測,2)存在一階述語論理的クエリのブルート力応答は,存在変数数で指数関数的であるため,困難である。 クエリ埋め込みの最近の作業は高速なクエリを提供するが、ほとんどのアプローチはクローズドな領域で論理をモデル化する。 否定をサポートするクエリ埋め込みは、欠点を被る密度を使用する。1) ロジックの即興化、2) 高価なディストリビューションの使用、3) モデルの答えの不確実性。 本稿では,skolemizationを用いて効率的なクエリのための存在変数を排除する,複雑なクエリを組込む新しい手法であるlogic embeddedsを提案する。 1) 熟達した t-ノルム論理を統合し、満足度を直接評価する、2) 真理値によるモデリングを単純化する、3) 真理境界を持つ不確かさをモデル化する。 論理埋め込みは、大きな不完全な知識グラフ上でのクエリ応答において競争的に高速で正確であり、否定クエリよりも優れており、特に、応答集合のサイズと埋め込みエントロピーの間の優れた相関によって証明された、応答の不確かさのモデリングを改善する。

関連論文リスト

• Logical Negation Augmenting and Debiasing for Prompt-based Methods [19.879616265315637]
  本稿では,一階述語論理推論におけるプロンプトに基づく手法の有効性に着目した。 ボトルネックは論理的否定にあることが分かっています。 提案手法は単純だが効果的なネガゲーション拡張とネガゲーションデバイアスリングである。
  論文  参考訳（メタデータ） (2024-05-08T08:05:47Z)
• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  大規模言語モデル(LLM)に基づくKG上の複雑な推論スキーマを提案する。 任意の一階論理クエリを二分木分解により拡張し、LLMの推論能力を刺激する。 広く使われているデータセットに対する実験では、LACTは高度な手法よりも大幅に改善されている(平均+5.5% MRRスコア)。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)
• Prompt-fused framework for Inductive Logical Query Answering [31.736934787328156]
  本稿では,Pro-QEという問合せ対応のプロンプトフューズフレームワークを提案する。 論理的クエリにおける未知のエンティティの問題に,我々のモデルがうまく対処できることが示される。
  論文  参考訳（メタデータ） (2024-03-19T11:30:30Z)
• MetaLogic: Logical Reasoning Explanations with Fine-Grained Structure [129.8481568648651]
  複雑な実生活シナリオにおけるモデルの論理的推論能力を調べるためのベンチマークを提案する。 推論のマルチホップ連鎖に基づいて、説明形式は3つの主成分を含む。 この新たな説明形式を用いて,現在のベストモデルの性能を評価した。
  論文  参考訳（メタデータ） (2022-10-22T16:01:13Z)
• Complexity-Based Prompting for Multi-Step Reasoning [72.0057198610614]
  大規模言語モデルに対して,多段階推論を行うための課題について検討する。 中心的な疑問は、どの推論例が最も効果的なプロンプトを作るかである。 多段階推論のためのシンプルで効果的な例選択方式である複雑性ベースのプロンプトを提案する。
  論文  参考訳（メタデータ） (2022-10-03T05:33:27Z)
• Maieutic Prompting: Logically Consistent Reasoning with Recursive Explanations [71.2950434944196]
  ノイズや一貫性のない言語モデルでさえも問題に対する正しい答えを推測するMaieutic Promptingを開発する。 Maieutic Promptingは最先端のプロンプト法よりも最大20%精度が高い。
  論文  参考訳（メタデータ） (2022-05-24T06:36:42Z)
• Query2Particles: Knowledge Graph Reasoning with Particle Embeddings [49.64006979045662]
  本稿では,知識グラフにエッジを欠いた複雑な論理的クエリに応答するクエリ埋め込み手法を提案する。 回答エンティティは、エンティティの埋め込みとクエリの埋め込みの類似性に応じて選択される。 埋め込み空間上の様々な領域から多様な回答を検索するために,複雑なKGクエリ応答方法Q2Pを提案する。
  論文  参考訳（メタデータ） (2022-04-27T11:16:08Z)
• Adaptive n-ary Activation Functions for Probabilistic Boolean Logic [2.294014185517203]
  マッチングやアリティ向上の活性化関数を用いて,任意の論理を単一層で学習できることが示される。 我々は,非ゼロパラメータの数を信念関数の有効アリティに直接関連付ける基礎を用いて,信念表を表現する。 これにより、パラメータの間隔を誘導することで論理的複雑性を低減する最適化アプローチが開かれる。
  論文  参考訳（メタデータ） (2022-03-16T22:47:53Z)
• Answering Fuzzy Queries over Fuzzy DL-Lite Ontologies [0.2741266294612776]
  ファジィDL-Liteにおける接続クエリとしきい値クエリに応答する問題について検討する。 idemdent G"odel t-norm に対して、古典的ケースへの還元に基づく効果的な方法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T10:45:54Z)

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。