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

• Learning Rules from KGs Guided by Language Models [48.858741745144044]
  ルール学習手法は、潜在的に欠落する事実を予測するために適用することができる。 規則のランク付けは、高度に不完全あるいは偏りのあるKGよりも特に難しい。 近年のLanguage Models (LM) の台頭により、いくつかの研究が、LMがKG補完の代替手段として利用できると主張している。
  論文  参考訳（メタデータ） (2024-09-12T09:27:36Z)
• Scalable Rule Lists Learning with Sampling [9.681286056736292]
  大規模データセットからほぼ最適なルールリストを学習するための新しいアプローチを提案する。 本アルゴリズムは,最適規則リストの近似を効率的に取得するためにサンプリングを用いる。 我々のアルゴリズムは、最先端の正確なアプローチに対して最大2桁の速度で、ほぼ最適なルールリストを識別する。
  論文  参考訳（メタデータ） (2024-06-18T17:15:00Z)
• 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)
• 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)
• 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)

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。