論文の概要: Link Analysis meets Ontologies: Are Embeddings the Answer?

• arxiv url: http://arxiv.org/abs/2111.11710v1
• Date: Tue, 23 Nov 2021 08:05:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-24 14:34:27.688792
• Title: Link Analysis meets Ontologies: Are Embeddings the Answer?
• Title（参考訳）: Link Analysisはオントロジーに合致する: 答えは埋め込みか?
• Authors: Sebastian Me\v{z}nar, Matej Bevec, Nada Lavra\v{c}, Bla\v{z} \v{S}krlj
• Abstract要約: 本稿では,構造のみのリンク解析手法が,可能な異常を検出するためのスケーラブルな手段を提供することができるかどうかを,体系的に評価する。 構造のみのリンク解析により、データセットのサブセットに対してスケーラブルな異常検出が可能になることを実証する。 これは、異なるドメインのセマンティックリソースにまたがる様々なタイプのリンク分析手法の適用性に関する最も広範な研究の1つである。
• 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: The increasing amounts of semantic resources offer valuable storage of human knowledge; however, the probability of wrong entries increases with the increased size. The development of approaches that identify potentially spurious parts of a given knowledge base is thus becoming an increasingly important area of interest. In this work, we present a systematic evaluation of whether structure-only link analysis methods can already offer a scalable means to detecting possible anomalies, as well as potentially interesting novel relation candidates. Evaluating thirteen methods on eight different semantic resources, including Gene Ontology, Food Ontology, Marine Ontology and similar, we demonstrated that structure-only link analysis could offer scalable anomaly detection for a subset of the data sets. Further, we demonstrated that by considering symbolic node embedding, explanations of the predictions (links) could be obtained, making this branch of methods potentially more valuable than the black-box only ones. To our knowledge, this is currently one of the most extensive systematic studies of the applicability of different types of link analysis methods across semantic resources from different domains.
• Abstract（参考訳）: 意味的資源の増加は、人的知識の貴重な記憶力を提供するが、サイズが大きくなるにつれて誤入力の確率は増加する。 与えられた知識基盤の潜在的急激な部分を特定するアプローチの開発は、ますます重要な関心領域になりつつある。 本研究では,構造のみのリンク解析手法が,潜在的な異常を検知するスケーラブルな手段をすでに提供できるかどうか,また,潜在的に興味深い新しい関係候補を提示する。 遺伝子オントロジー,食品オントロジー,海洋オントロジーなど8種類のセマンティックリソースに対する13の手法の評価を行い,構造のみのリンク解析により,データセットのサブセットに対するスケーラブルな異常検出が可能であることを実証した。 さらに, シンボリックノードの埋め込みを考慮し, 予測(リンク)の説明が得られ, この手法の分岐はブラックボックスのみよりも有用である可能性が示唆された。 我々の知る限り、これは現在、異なるドメインのセマンティックリソース間で異なるタイプのリンク分析手法の適用性に関する最も広範な体系的な研究の1つである。

関連論文リスト

• LucidAtlas$: Learning Uncertainty-Aware, Covariate-Disentangled, Individualized Atlas Representations [30.072620549688953]
  空間的に異なる情報を表現できるアプローチであるtexttLucidAtlas$を開発した。 本研究は, 科学的発見の進展において, バイコンストラクション解釈モデルが重要な役割を担っていることを示すものである。
  論文  参考訳（メタデータ） (2025-02-12T14:36:25Z)
• Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
  我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。 我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。 我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オンロジはドメインの知識とメタデータを表現するために広く使われている。 直接支援できる論理的推論は、学習、近似、予測において非常に限られています。 1つの簡単な解決策は、統計分析と機械学習を統合することである。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Neurosymbolic AI for Reasoning over Knowledge Graphs: A Survey [0.0]
  本稿では,知識グラフ上でニューロシンボリック推論タスクを行う手法を調査し,それらを分類できる新しい分類法を提案する。 具体的には,(1)論理的にインフォームドされた埋め込みアプローチ,(2)論理的制約を伴う埋め込みアプローチ,(3)規則学習アプローチの3つの主要なカテゴリを提案する。
  論文  参考訳（メタデータ） (2023-02-14T17:24:30Z)
• Understanding metric-related pitfalls in image analysis validation [59.15220116166561]
  この研究は、画像解析におけるバリデーションメトリクスに関連する落とし穴に関する情報にアクセスするための、初めての包括的な共通点を提供する。 バイオメディカル画像解析に焦点をあてるが、他の分野へ移行する可能性があるため、対処された落とし穴はアプリケーションドメイン全体にわたって一般化され、新しく作成されたドメインに依存しない分類に分類される。
  論文  参考訳（メタデータ） (2023-02-03T14:57:40Z)
• Biologically-informed deep learning models for cancer: fundamental trends for encoding and interpreting oncology data [0.0]
  本稿では,癌生物学における推論を支援するために用いられる深層学習(DL)モデルに着目した構造化文献解析を行う。 この研究は、既存のモデルが、先行知識、生物学的妥当性、解釈可能性とのより良い対話の必要性にどのように対処するかに焦点を当てている。
  論文  参考訳（メタデータ） (2022-07-02T12:11:35Z)
• Discriminative Attribution from Counterfactuals [64.94009515033984]
  本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。 本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-28T00:53:34Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Renormalized Mutual Information for Artificial Scientific Discovery [0.0]
  我々は、連続確率変数間の依存性を推定できる、よく定義された相互情報の正規化バージョンを導出する。 これは特徴抽出に関係しており、目的は高次元系の低次元実効的な記述を作ることである。
  論文  参考訳（メタデータ） (2020-05-04T16:43:49Z)

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。

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。