論文の概要: SAFRAN: An interpretable, rule-based link prediction method
outperforming embedding models
- arxiv url: http://arxiv.org/abs/2109.08002v1
- Date: Thu, 16 Sep 2021 14:18:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-17 19:00:41.520317
- Title: SAFRAN: An interpretable, rule-based link prediction method
outperforming embedding models
- Title(参考訳): SAFRAN: 埋め込みモデルより優れた解釈可能なルールベースのリンク予測手法
- Authors: Simon Ott, Christian Meilicke, Matthias Samwald
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.52834593453565
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Neural embedding-based machine learning models have shown promise for
predicting novel links in 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, current approaches
for aggregating predictions made by multiple rules are affected by
redundancies. We improve upon AnyBURL by introducing the SAFRAN rule
application framework, which uses a novel aggregation approach called
Non-redundant Noisy-OR that detects and clusters redundant rules prior to
aggregation. SAFRAN yields new state-of-the-art results for fully interpretable
link prediction on the established general-purpose benchmarks FB15K-237, WN18RR
and YAGO3-10. Furthermore, it exceeds the results of multiple established
embedding-based algorithms on FB15K-237 and WN18RR and narrows the gap between
rule-based and embedding-based algorithms on YAGO3-10.
- 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、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、複数のルールによる予測の集約に対する現在のアプローチは冗長性に影響される。
我々は,non-redundant noise-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 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, 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。
さらに、FB15K-237および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の結果を超え、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。
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) - Conformalized Link Prediction on Graph Neural Networks [8.807684750444626]
グラフニューラルネットワーク(GNN)は様々なタスクに優れていますが、高い領域でのその応用は信頼性の低い予測によって妨げられます。
本稿では,GNNに基づくリンク予測の統計的保証を伴う予測区間を構築するために,分布自由かつモデルに依存しない不確実性定量化手法を提案する。
論文 参考訳(メタデータ) (2024-06-26T21:17:37Z) - MANO: Exploiting Matrix Norm for Unsupervised Accuracy Estimation Under Distribution Shifts [25.643876327918544]
モデルのアウトプット、特にロジットを活用することは、トレーニング済みニューラルネットワークのテスト精度を、アウト・オブ・ディストリビューションのサンプルで推定する一般的なアプローチである。
実装の容易さと計算効率にもかかわらず、現在のロジットベースの手法は過信問題に弱いため、予測バイアスにつながる。
予測バイアスを低減するためにデータ依存正規化を適用したMaNoを提案し,正規化ロジットの行列の$L_p$ノルムを推定スコアとする。
論文 参考訳(メタデータ) (2024-05-29T10:45:06Z) - Forest-ORE: Mining Optimal Rule Ensemble to interpret Random Forest models [0.0]
本研究では,局所的およびグローバル的解釈のための最適化されたルールアンサンブル(ORE)を用いて,ランダムフォレスト(RF)を解釈可能にする手法であるフォレスト-OREを提案する。
良く知られた手法の比較分析は、フォレスト-OREが予測性能、解釈可能性カバレッジ、モデルサイズの間の優れたトレードオフを提供することを示している。
論文 参考訳(メタデータ) (2024-03-26T10:54:07Z) - IBP Regularization for Verified Adversarial Robustness via
Branch-and-Bound [85.6899802468343]
IBP-Rは, どちらも簡便なトレーニングアルゴリズムである。
また、$beta$-CROWNに基づく新しいロバスト性であるUPBを提示し、最先端の分岐アルゴリズムのコストを削減する。
論文 参考訳(メタデータ) (2022-06-29T17:13:25Z) - 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) - Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient
for Out-of-Distribution Generalization [52.7137956951533]
既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。
本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。
自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
論文 参考訳(メタデータ) (2022-02-14T16:42:16Z) - Better Short than Greedy: Interpretable Models through Optimal Rule
Boosting [10.938624307941197]
ルールアンサンブルは、予測精度とモデル解釈可能性の間の有用なトレードオフを提供するように設計されている。
与えられたアンサンブルサイズに対して最大予測力の規則アンサンブルを適合させる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-01-21T01:03:48Z) - Scalable and interpretable rule-based link prediction for large
heterogeneous knowledge graphs [4.502717871564512]
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。
論文 参考訳(メタデータ) (2020-12-10T15:36:47Z) - CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。
CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文 参考訳(メタデータ) (2020-09-28T09:49:38Z) - Lower bounds in multiple testing: A framework based on derandomized
proxies [107.69746750639584]
本稿では, 各種コンクリートモデルへの適用例を示す, デランドマイズに基づく分析戦略を提案する。
これらの下界のいくつかを数値シミュレーションし、Benjamini-Hochberg (BH) アルゴリズムの実際の性能と密接な関係を示す。
論文 参考訳(メタデータ) (2020-05-07T19:59:51Z)
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。