Fugu-MT 論文翻訳(概要): Learning First-Order Rules with Relational Path Contrast for Inductive Relation Reasoning

論文の概要: Learning First-Order Rules with Relational Path Contrast for Inductive Relation Reasoning

arxiv url: http://arxiv.org/abs/2110.08810v1
Date: Sun, 17 Oct 2021 12:39:01 GMT
ステータス: 処理完了
システム内更新日: 2021-10-19 17:43:39.715235
Title: Learning First-Order Rules with Relational Path Contrast for Inductive Relation Reasoning
Title（参考訳）: 帰納的関係推論のための関係経路コントラストを用いた一階規則の学習
Authors: Yudai Pan, Jun Liu, Lingling Zhang, Xin Hu, Tianzhe Zhao and Qika Lin
Abstract要約: グラフ畳み込みネットワーク (GCN) を用いた関係経路のコントラストを考慮した帰納的推論法を提案する。 RPC-IRはまず2つのエンティティ間のリレーショナルパスを抽出し、それらの表現を学習し、革新的にコントラスト戦略を導入する。
参考スコア（独自算出の注目度）: 8.344644072431898
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Relation reasoning in knowledge graphs (KGs) aims at predicting missing relations in incomplete triples, whereas the dominant paradigm is learning the embeddings of relations and entities, which is limited to a transductive setting and has restriction on processing unseen entities in an inductive situation. Previous inductive methods are scalable and consume less resource. They utilize the structure of entities and triples in subgraphs to own inductive ability. However, in order to obtain better reasoning results, the model should acquire entity-independent relational semantics in latent rules and solve the deficient supervision caused by scarcity of rules in subgraphs. To address these issues, we propose a novel graph convolutional network (GCN)-based approach for interpretable inductive reasoning with relational path contrast, named RPC-IR. RPC-IR firstly extracts relational paths between two entities and learns representations of them, and then innovatively introduces a contrastive strategy by constructing positive and negative relational paths. A joint training strategy considering both supervised and contrastive information is also proposed. Comprehensive experiments on three inductive datasets show that RPC-IR achieves outstanding performance comparing with the latest inductive reasoning methods and could explicitly represent logical rules for interpretability.
Abstract（参考訳）: 知識グラフ(KGs)における関係推論は、不完全三重項における欠落関係を予測することを目的としており、一方で支配的なパラダイムは、帰納的設定に制限され、帰納的状況において見当たらないエンティティの処理に制限がある関係と実体の埋め込みを学習することである。従来のインダクティブメソッドはスケーラブルで、リソースの消費も少ない。彼らは、単体と三重グラフの構造を利用して帰納的能力を持つ。しかし, より優れた推論結果を得るためには, 潜在ルールにおける実体に依存しない関係意味論を取得し, サブグラフにおけるルールの不足に起因する欠陥管理を解決する必要がある。これらの問題に対処するため,我々は RPC-IR という,新しいグラフ畳み込みネットワーク (GCN) を用いた帰納的推論手法を提案する。 RPC-IRは、まず2つの実体間の関係経路を抽出し、それらの表現を学習し、その後、正および負の関係経路を構築することで、対照的な戦略を革新的に導入する。また,教師付き情報とコントラスト情報の両方を考慮した共同学習戦略を提案する。 3つの帰納的データセットに関する総合的な実験は、RPC-IRが最新の帰納的推論手法と比較して卓越した性能を達成し、解釈可能性に関する論理ルールを明示的に表現できることを示している。

関連論文リスト

Phenomenal Yet Puzzling: Testing Inductive Reasoning Capabilities of Language Models with Hypothesis Refinement [92.61557711360652]
言語モデル(LM)は、しばしば帰納的推論に不足する。我々は,反復的仮説修正を通じて,LMの帰納的推論能力を体系的に研究する。本研究は, LMの誘導的推論過程と人間とのいくつかの相違点を明らかにし, 誘導的推論タスクにおけるLMの使用の可能性と限界に光を当てる。
論文参考訳（メタデータ） (2023-10-12T17:51:10Z)
Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文参考訳（メタデータ） (2023-09-20T08:11:58Z)
Inductive Relation Prediction from Relational Paths and Context with Hierarchical Transformers [23.07740200588382]
本稿では,エンティティ間の関係と固有性の両方をキャプチャする手法を提案する。因果関係は関係意味論にのみ依存しており、完全に帰納的な設定に自然に一般化することができる。実験では、2つの完全帰納的データセットの8つのバージョンサブセットのほぼすべてのベースラインに対して、Actionalは一貫してパフォーマンスが向上する。
論文参考訳（メタデータ） (2023-04-01T03:49:47Z)
Multi-Aspect Explainable Inductive Relation Prediction by Sentence Transformer [60.75757851637566]
本稿では,モデル学習に先立って信頼できない経路をフィルタリングし,モデル性能を高めるための関係経路カバレッジと関係経路信頼の概念を紹介する。知識グラフにおける帰納関係を予測するために,知識推論文変換器(KRST)を提案する。
論文参考訳（メタデータ） (2023-01-04T15:33:49Z)
Relation-dependent Contrastive Learning with Cluster Sampling for Inductive Relation Prediction [30.404149577013595]
帰納的関係予測のための関係依存型コントラスト学習(ReCoLe)を導入する。 GNNベースのエンコーダはコントラスト学習によって最適化され、ロングテール関係における良好な性能が保証される。実験結果から、ReCoLeは一般的に使用される帰納的データセット上で最先端の手法より優れていることが示唆された。
論文参考訳（メタデータ） (2022-11-22T13:30:49Z)
On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
論文参考訳（メタデータ） (2022-06-09T16:24:01Z)
HiURE: Hierarchical Exemplar Contrastive Learning for Unsupervised Relation Extraction [60.80849503639896]
非教師なし関係抽出は、関係範囲や分布に関する事前情報のない自然言語文からエンティティ間の関係を抽出することを目的としている。本稿では,階層間注目を用いた階層的特徴空間から階層的信号を導出する機能を持つ,HiUREという新しいコントラスト学習フレームワークを提案する。 2つの公開データセットの実験結果は、最先端モデルと比較した場合の教師なし関係抽出におけるHiUREの有効性とロバスト性を示す。
論文参考訳（メタデータ） (2022-05-04T17:56:48Z)
SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文参考訳（メタデータ） (2021-09-24T17:37:35Z)
Topology-Aware Correlations Between Relations for Inductive Link Prediction in Knowledge Graphs [41.38172189254483]
TACTは、2つの関係間の意味的相関がそれらのトポロジカルナレッジグラフと非常に相関しているという観測に触発される。関係対を複数のトポロジ的パターンに分類し、相関ネットワーク(RCN)の構造を提案し、帰納的リンク予測における異なるパターンの重要性を学習する。実験では、TACTが関係間のセマンティック相関を効果的にモデル化し、ベンチマークデータセット上の既存の最先端の方法を大幅に上回ることが示されています。
論文参考訳（メタデータ） (2021-03-05T13:00:10Z)
Communicative Message Passing for Inductive Relation Reasoning [17.380798747650783]
textbfCtextbfommunicative textbfMessage textbfPassing neural Network for textbfInductive retextbfLation rtextbfEasoning textbfCoMPILEを紹介します。既存のモデルとは対照的に、CoMPILEは通信カーネルを介してエッジとタイトル間のメッセージインタラクションを強化する。
論文参考訳（メタデータ） (2020-12-16T12:42:06Z)

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。