Fugu-MT 論文翻訳(概要): Fuzzy Conceptual Graphs: a comparative discussion

論文の概要: Fuzzy Conceptual Graphs: a comparative discussion

arxiv url: http://arxiv.org/abs/2111.00229v1
Date: Tue, 26 Oct 2021 14:35:50 GMT
ステータス: 処理完了
システム内更新日: 2021-11-07 11:45:27.136481
Title: Fuzzy Conceptual Graphs: a comparative discussion
Title（参考訳）: Fuzzy Conceptual Graphs: 比較議論
Authors: Adam Faci (LFI, TRT), Marie-Jeanne Lesot (LFI), Claire Laudy (TRT)
Abstract要約: 概念グラフ (conceptual Graphs, CG) は、グラフに基づく知識表現と推論形式である。ファジィグラフ(ファジィグラフ、英: fuzzy Graphs、fCG)は、ファジィ集合論を利用して、それらの制約を様々なレベルで緩和する拡張である。本稿では,それぞれの利点と限界について,既存のアプローチの比較研究を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Conceptual Graphs (CG) are a graph-based knowledge representation and reasoning formalism; fuzzy Conceptual Graphs (fCG) constitute an extension that enriches their expressiveness, exploiting the fuzzy set theory so as to relax their constraints at various levels. This paper proposes a comparative study of existing approaches over their respective advantages and possible limitations. The discussion revolves around three axes: (a) Critical view of each approach and comparison with previous propositions from the state of the art; (b) Presentation of the many possible interpretations of each definition to illustrate its potential and its limits; (c) Clarification of the part of CG impacted by the definition as well as the relaxed constraint.
Abstract（参考訳）: 概念グラフ(cg)はグラフに基づく知識表現と推論形式であり、ファジィ概念グラフ(fcg)は表現力を高める拡張であり、ファジィ集合論を利用して様々なレベルで制約を緩和する。本稿では,それぞれの利点と限界に対する既存手法の比較研究を提案する。議論は3つの軸で行われます (a)各アプローチの批判的見解及び技術状況からの先行命題との比較 b) その可能性及び限界を説明するために,各定義の多くの可能な解釈を提示すること (c) 緩やかな制約とともに, CGの一部が定義に影響を及ぼすことの明確化。

関連論文リスト

Towards Graph Foundation Models: The Perspective of Zero-shot Reasoning on Knowledge Graphs [14.392577069212292]
我々は、ゼロショット学習を用いて、多様なグラフタスクを効果的に一般化する統合グラフ推論フレームワークSCOREを紹介する。 SCOREを38種類のグラフデータセットを用いて評価し、ノードレベル、リンクレベル、グラフレベルのタスクを複数のドメインでカバーする。
論文参考訳（メタデータ） (2024-10-16T14:26:08Z)
Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
論文参考訳（メタデータ） (2024-08-03T13:37:40Z)
Decision Predicate Graphs: Enhancing Interpretability in Tree Ensembles [1.6021728114882514]
Decision Predicate Graph (DPG)は、木に基づくアンサンブルモデルと学習データセットの詳細をキャプチャするグラフ構造である。 DPGはモデルにさらに定量的な洞察を与え、可視化技術を補完し、問題空間の記述を拡張する。実証実験は、従来のベンチマークや複雑な分類シナリオに対処する上で、DSGの可能性を実証している。
論文参考訳（メタデータ） (2024-04-03T12:38:12Z)
Concept-free Causal Disentanglement with Variational Graph Auto-Encoder [4.171080633895958]
本稿では, 最適因子を近似した理論的に証明可能な高次境界上に構築した, 概念自由因果解(concept-free causal disentanglement)を提案する。本研究では,新しい因果不整合層を変分グラフオートエンコーダに組み込むことで,概念自由因果VGAE(Concept-free Causal VGAE)を提案する。そこで我々は,概念自由因果不整合(concept-free causal disentanglement)フレームワークにおいて概念整合性を証明し,概念自由因果メタグラフ(concept-free causal Meta-Graph)と呼ばれるメタラーニングフレームワークを強化する。
論文参考訳（メタデータ） (2023-11-17T16:50:00Z)
Generative Explanations for Graph Neural Network: Methods and Evaluations [16.67839967139831]
グラフニューラルネットワーク(GNN)は、様々なグラフ関連タスクにおいて最先端のパフォーマンスを達成する。 GNNのブラックボックスの性質は、解釈可能性と信頼性を制限している。 GNNの意思決定ロジックを明らかにするために,多くの説明可能性手法が提案されている。
論文参考訳（メタデータ） (2023-11-09T22:07:15Z)
Concept Gradient: Concept-based Interpretation Without Linear Assumption [77.96338722483226]
概念活性化ベクトル(Concept Activation Vector, CAV)は、与えられたモデルと概念の潜在表現の間の線形関係を学習することに依存する。我々は、線形概念関数を超えて概念に基づく解釈を拡張する概念グラディエント(CG)を提案した。我々は、CGがおもちゃの例と実世界のデータセットの両方でCAVより優れていることを実証した。
論文参考訳（メタデータ） (2022-08-31T17:06:46Z)
Learning node embeddings via summary graphs: a brief theoretical analysis [55.25628709267215]
グラフ表現学習は多くのグラフマイニングアプリケーションにおいて重要な役割を果たすが、大規模なグラフの埋め込みを学習することは依然として問題である。最近の研究は、グラフの要約(つまり、より小さな要約グラフへの埋め込みを学習し、元のグラフのノード埋め込みを復元することでスケーラビリティを向上させる。本稿では,導入したカーネル行列に基づく3つの特定の埋め込み学習手法について,詳細な理論的解析を行う。
論文参考訳（メタデータ） (2022-07-04T04:09:50Z)
Towards Explanation for Unsupervised Graph-Level Representation Learning [108.31036962735911]
既存の説明手法は,教師付き設定,例えばノード分類,グラフ分類に重点を置いているが,教師なしグラフレベルの表現学習に関する説明はまだ探索されていない。本稿では,非教師付きグラフ表現における説明問題に対処するために,インフォメーション・ボトルネックの原則(IB)を推進し,新しい原理であるtextitUnsupervised Subgraph Information Bottleneck(USIB)を導出する。また,グラフ表現とラベル空間上の説明部分グラフの関連性も理論的に解析し,表現の堅牢性が説明部分グラフの忠実性に寄与することを明らかにする。
論文参考訳（メタデータ） (2022-05-20T02:50:15Z)
Knowledge Sheaves: A Sheaf-Theoretic Framework for Knowledge Graph Embedding [1.5469452301122175]
知識グラフの埋め込みは, トポロジカル言語, カテゴリー言語で自然に表現されていることを示す。知識グラフの埋め込みは、グラフ上の適切なテクスチャ知識棚の近似グローバルセクションとして記述することができる。結果として得られる埋め込みは、特別な訓練をせずに合成関係の推論に容易に適応できる。
論文参考訳（メタデータ） (2021-10-07T20:54:40Z)
Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
論文参考訳（メタデータ） (2021-07-20T22:09:21Z)
Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
論文参考訳（メタデータ） (2020-06-09T16:33:49Z)

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。