論文の概要: Combining Rules and Embeddings via Neuro-Symbolic AI for Knowledge Base Completion

• arxiv url: http://arxiv.org/abs/2109.09566v1
• Date: Thu, 16 Sep 2021 17:54:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:44:12.669479
• Title: Combining Rules and Embeddings via Neuro-Symbolic AI for Knowledge Base Completion
• Title（参考訳）: 知識ベース補完のためのニューロシンボリックAIによるルールと埋め込みの組み合わせ
• Authors: Prithviraj Sen, Breno W. S. R. Carvalho, Ibrahim Abdelaziz, Pavan Kapanipathi, Francois Luus, Salim Roukos, Alexander Gray
• Abstract要約: すべてのルールベースの知識ベースコンプリートモデルが同じではないことを示す。 1)関係の混合と,2)経路の混合の2つの異なるアプローチを提案する。 ブール論理を実数値論理に拡張することでルールを学習するニューロシンボリックAI上に実装すると、後者のモデルは、平均相互ランクにおいて、最先端のKBC精度を2-10%向上させる。
• 参考スコア（独自算出の注目度）: 59.093293389123424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent interest in Knowledge Base Completion (KBC) has led to a plethora of approaches based on reinforcement learning, inductive logic programming and graph embeddings. In particular, rule-based KBC has led to interpretable rules while being comparable in performance with graph embeddings. Even within rule-based KBC, there exist different approaches that lead to rules of varying quality and previous work has not always been precise in highlighting these differences. Another issue that plagues most rule-based KBC is the non-uniformity of relation paths: some relation sequences occur in very few paths while others appear very frequently. In this paper, we show that not all rule-based KBC models are the same and propose two distinct approaches that learn in one case: 1) a mixture of relations and the other 2) a mixture of paths. When implemented on top of neuro-symbolic AI, which learns rules by extending Boolean logic to real-valued logic, the latter model leads to superior KBC accuracy outperforming state-of-the-art rule-based KBC by 2-10% in terms of mean reciprocal rank. Furthermore, to address the non-uniformity of relation paths, we combine rule-based KBC with graph embeddings thus improving our results even further and achieving the best of both worlds.
• Abstract（参考訳）: 近年のKBC(Knowledge Base Completion)への関心は、強化学習、帰納的論理プログラミング、グラフ埋め込みに基づく多くのアプローチにつながっている。 特に、ルールベースのKBCは、グラフ埋め込みと同等のパフォーマンスで、解釈可能なルールを生み出している。 ルールベースのKBCでさえ、異なる品質のルールにつながる様々なアプローチが存在しており、以前の作業はこれらの違いを強調する上で必ずしも正確ではない。 多くの規則に基づくKBCを悩ませているもう1つの問題は、関係経路の不均一性である。 本稿では、ルールベースのKBCモデルがすべて同じではないことを示し、一つのケースで学習する2つの異なるアプローチを提案する。 1)関係と関係の混在 2) 経路の混合。 ブール論理を実数値論理に拡張することでルールを学習するニューロシンボリックAI上に実装すると、後者のモデルは平均的相互ランクで2-10%の最先端のKBC精度が得られる。 さらに、関係経路の不均一性に対処するため、ルールベースのKBCとグラフ埋め込みを組み合わせることにより、結果をさらに改善し、両世界のベストを達成できる。

関連論文リスト

• ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
  そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。 具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。 生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
  論文  参考訳（メタデータ） (2023-09-04T11:38:02Z)
• Knowledge Reasoning via Jointly Modeling Knowledge Graphs and Soft Rules [17.301284626706856]
  知識グラフ補完法(KGC)は、ルールベースの推論と埋め込みベースの推論の2つの主要なカテゴリに分類される。 本稿では,ルールを注入し,反復的に表現を学習し,ルールと埋め込みを最大限に活用する手法を提案する。
  論文  参考訳（メタデータ） (2023-01-07T05:24:29Z)
• ZeroKBC: A Comprehensive Benchmark for Zero-Shot Knowledge Base Completion [54.898479917173]
  知識ベース補完は、知識グラフの欠落するリンクを予測することを目的としている。 以前のKBCタスクは主に、トレーニングセットにすべてのテストエンティティとリレーションが現れる設定に焦点を当てていました。 我々は、ゼロショットKBCの様々なシナリオをカバーする包括的なベンチマークであるZeroKBCを開発した。
  論文  参考訳（メタデータ） (2022-12-06T16:02:09Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• MCMH: Learning Multi-Chain Multi-Hop Rules for Knowledge Graph Reasoning [46.68583750992613]
  多重ホップ規則の一般化形式を考えると、各規則は関係連鎖の集合である。 そこで本研究では,まず,少数の関係連鎖をルールとして選択し,対象関係の信頼度を評価する2段階のアプローチを提案する。 その結果,MCMH(Multi-chain multi-hop)ルールは,標準の単一チェーン方式よりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2020-10-05T01:32:20Z)
• BoxE: A Box Embedding Model for Knowledge Base Completion [53.57588201197374]
  知識ベース補完(KBC)は、知識ベース(KB)に存在する情報を活用することにより、行方不明な事実を自動的に推測することを目的とする。 既存の埋め込みモデルは、以下の制限の少なくとも1つに該当する。 BoxEは、エンティティをポイントとして、関係をハイパー矩形(またはボックス)の集合として埋め込む
  論文  参考訳（メタデータ） (2020-07-13T09:40:49Z)
• Building Rule Hierarchies for Efficient Logical Rule Learning from Knowledge Graphs [20.251630903853016]
  本稿では,ルール階層を用いて非プロミッシングルールを抽出する新しい手法を提案する。 HPMの応用は非プロムルールの除去に有効であることを示す。
  論文  参考訳（メタデータ） (2020-06-29T16:33:30Z)

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。