論文の概要: LPRules: Rule Induction in Knowledge Graphs Using Linear Programming
- arxiv url: http://arxiv.org/abs/2110.08245v1
- Date: Fri, 15 Oct 2021 17:58:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-18 12:57:40.396098
- Title: LPRules: Rule Induction in Knowledge Graphs Using Linear Programming
- Title(参考訳): LPRules:線形プログラミングを用いた知識グラフにおけるルール誘導
- Authors: Sanjeeb Dash and Joao Goncalves
- Abstract要約: ルールベースのメソッドは、入力グラフ内の既存の事実をキャプチャする一階述語論理ルールを学び、これらのルールを使用して、行方不明の事実を推論する。
このような方法の大きな欠点は、大規模なデータセットに対するスケーラビリティの欠如である。
候補ルールのリストからルールを選択し、重み付けを割り当てるための単純な線形プログラミング(LP)モデルを提案する。
- 参考スコア(独自算出の注目度): 4.94950858749529
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge graph (KG) completion is a well-studied problem in AI. Rule-based
methods and embedding-based methods form two of the solution techniques.
Rule-based methods learn first-order logic rules that capture existing facts in
an input graph and then use these rules for reasoning about missing facts. A
major drawback of such methods is the lack of scalability to large datasets. In
this paper, we present a simple linear programming (LP) model to choose rules
from a list of candidate rules and assign weights to them. For smaller KGs, we
use simple heuristics to create the candidate list. For larger KGs, we start
with a small initial candidate list, and then use standard column generation
ideas to add more rules in order to improve the LP model objective value. To
foster interpretability and generalizability, we limit the complexity of the
set of chosen rules via explicit constraints, and tune the complexity
hyperparameter for individual datasets. We show that our method can obtain
state-of-the-art results for three out of four widely used KG datasets, while
taking significantly less computing time than other popular rule learners
including some based on neuro-symbolic methods. The improved scalability of our
method allows us to tackle large datasets such as YAGO3-10.
- Abstract(参考訳): 知識グラフ(KG)補完は、AIにおいてよく研究されている問題である。
ルールベースのメソッドと埋め込みベースのメソッドは、ソリューションテクニックの2つを形成する。
ルールベースのメソッドは、入力グラフで既存の事実をキャプチャする一階述語論理ルールを学習し、欠落した事実を推論するためにこれらのルールを使用する。
このような方法の大きな欠点は、大規模なデータセットに対するスケーラビリティの欠如である。
本稿では,候補ルールのリストからルールを選択し,重み付けを割り当てるための単純な線形プログラミング(LP)モデルを提案する。
より小さなKGでは、単純なヒューリスティックを使って候補リストを作成する。
より大きなkgでは、まず小さな初期候補リストから始めて、標準列生成のアイデアを使って、lpモデルの目的値を改善するためのルールを追加します。
解釈可能性と一般化可能性を高めるために、明示的な制約によって選択された規則の集合の複雑さを制限し、個々のデータセットの複雑さハイパーパラメータを調整する。
提案手法は, 4つのKGデータセットのうち3つに対して, ニューロシンボリックな手法を含む他の一般的なルール学習者に比べて, 計算時間を大幅に削減できることを示す。
本手法のスケーラビリティ向上により,YAGO3-10のような大規模データセットに対処できる。
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) - Logical Entity Representation in Knowledge-Graphs for Differentiable
Rule Learning [71.05093203007357]
本稿では,知識グラフ内のエンティティのコンテキスト情報をエンコードするための論理エンティティ・リプレゼンテーション(LERP)を提案する。
LERPは、エンティティの隣接部分グラフ上の確率論的論理関数のベクトルとして設計されている。
我々のモデルは知識グラフ補完において他のルール学習法よりも優れており、最先端のブラックボックス法に匹敵する、あるいは優れている。
論文 参考訳(メタデータ) (2023-05-22T05:59:22Z) - 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) - RulE: Neural-Symbolic Knowledge Graph Reasoning with Rule Embedding [81.00737592607625]
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) - LNN-EL: A Neuro-Symbolic Approach to Short-text Entity Linking [62.634516517844496]
本稿では,解釈可能なルールとニューラルネットワークの性能を併用したニューラルシンボリックアプローチであるLNN-ELを提案する。
ルールの使用に制約があるにもかかわらず、LNN-ELはSotAのブラックボックスニューラルアプローチと競合する。
論文 参考訳(メタデータ) (2021-06-17T20:22:45Z) - GLaRA: Graph-based Labeling Rule Augmentation for Weakly Supervised
Named Entity Recognition [8.352789684571704]
グラフベースのラベル付けルール拡張フレームワークであるtextscGLaRA を提案し,ラベルなしデータから新しいラベル付けルールを学習する。
ラベルなしデータに対する拡張ルールを適用し,弱いラベルを生成し,弱いラベル付きデータを用いてnerモデルをトレーニングする。
論文 参考訳(メタデータ) (2021-04-13T14:20:58Z) - Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。
その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文 参考訳(メタデータ) (2020-07-08T08:48:56Z) - 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) - An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
データから制約をマイニングするための一般的なフレームワークを提案する。
特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。
提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
論文 参考訳(メタデータ) (2020-06-18T20:09:53Z) - Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。
GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。
オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
論文 参考訳(メタデータ) (2020-03-13T00:32:46Z) - QCBA: Improving Rule Classifiers Learned from Quantitative Data by
Recovering Information Lost by Discretisation [5.667821885065119]
本稿では、離散化における損失情報を復元することを目的とした新しいルールチューニング手順と新しいプルーニング手法について述べる。
提案したQCBA法は,アソシエーション(CBA)アルゴリズムに基づく分類によって生成されたモデルの定量的属性を後処理するために開発された。
UCIリポジトリの22のデータセットのベンチマークでは、FOIL2+QCBAの7つのベースラインと比較して、サイズが小さく、全体的な最高の予測性能を示している。
論文 参考訳(メタデータ) (2017-11-28T08:09:14Z)
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。