論文の概要: EngineKGI: Closed-Loop Knowledge Graph Inference

• arxiv url: http://arxiv.org/abs/2112.01040v1
• Date: Thu, 2 Dec 2021 08:02:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 14:06:37.338608
• Title: EngineKGI: Closed-Loop Knowledge Graph Inference
• Title（参考訳）: EngineKGI: クローズドな知識グラフ推論
• Authors: Guanglin Niu, Bo Li, Yongfei Zhang, Shiliang Pu
• Abstract要約: EngineKGIは、新しいクローズドループKG推論フレームワークである。 KGEとルール学習を組み合わせて、クローズドループパターンで相互に補完する。 我々のモデルはリンク予測タスクにおいて、他のベースラインよりも優れています。
• 参考スコア（独自算出の注目度）: 37.15381932994768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graph (KG) inference is the vital technique to address the natural incompleteness of KGs. The existing KG inference approaches can be classified into rule learning-based and KG embedding-based models. However, these approaches cannot well balance accuracy, generalization, interpretability and efficiency, simultaneously. Besides, these models always rely on pure triples and neglect additional information. Therefore, both KG embedding (KGE) and rule learning KG inference approaches face challenges due to the sparse entities and the limited semantics. We propose a novel and effective closed-loop KG inference framework EngineKGI operating similarly as an engine based on these observations. EngineKGI combines KGE and rule learning to complement each other in a closed-loop pattern while taking advantage of semantics in paths and concepts. KGE module exploits paths to enhance the semantic association between entities and introduces rules for interpretability. A novel rule pruning mechanism is proposed in the rule learning module by leveraging paths as initial candidate rules and employing KG embeddings together with concepts for extracting more high-quality rules. Experimental results on four real-world datasets show that our model outperforms other baselines on link prediction tasks, demonstrating the effectiveness and superiority of our model on KG inference in a joint logic and data-driven fashion with a closed-loop mechanism.
• Abstract（参考訳）: 知識グラフ(KG)推論は、KGの自然な不完全性に対処するための重要な手法である。 既存のkg推論アプローチは、ルール学習ベースとkg埋め込みベースモデルに分類できる。 しかし、これらのアプローチは正確性、一般化、解釈可能性、効率を同時にバランスさせることは出来ない。 さらに、これらのモデルは常に純粋なトリプルに依存し、追加情報を無視する。 したがって、KG埋め込み(KGE)とルール学習(KG)推論(KG inference)の両方は、スパースエンティティと限定的セマンティクスによる課題に直面している。 本稿では,これらの観測に基づいてエンジンとして動作する新規かつ効果的な閉ループkg推論フレームワーク enginekgi を提案する。 EngineKGIはKGEとルール学習を組み合わせて、パスや概念のセマンティクスを活用しながら、クローズドループパターンで相互に補完する。 KGEモジュールは、エンティティ間のセマンティックな関連を強化するためにパスを利用し、解釈可能性のためのルールを導入する。 ルール学習モジュールにおいて、経路を初期候補ルールとして活用し、KG埋め込みと、より高品質なルールを抽出するための概念を併用することにより、新しいルールプーニング機構を提案する。 実世界の4つのデータセットによる実験結果から,我々のモデルはリンク予測タスクにおいて,他のベースラインよりも優れており,閉ループ機構を用いた共同論理とデータ駆動方式によるKG推論におけるモデルの有効性と優位性を示している。

関連論文リスト

• Decoding on Graphs: Faithful and Sound Reasoning on Knowledge Graphs through Generation of Well-Formed Chains [66.55612528039894]
  知識グラフ(KG)は質問応答(QA)のための信頼できる知識ソースとして機能する。 我々は、LLMとKGの深い相乗効果を促進する新しいフレームワークであるDoG(Decoding on Graphs)を提案する。 様々なKGQAタスクに対して異なるバックグラウンドKGを用いた実験により、DoGが優れた、堅牢なパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-24T04:01:40Z)
• A Pluggable Common Sense-Enhanced Framework for Knowledge Graph Completion [9.686794547679076]
  我々は,KGCの事実と常識の両方を組み込んだ,プラガブル・コモンセンス強化型KGCフレームワークを提案する。 このフレームワークは、エンティティ概念の豊かさに基づいて異なるKGに適応可能であり、明示的あるいは暗黙的な常識を自動的に生成する能力を持っている。 我々のアプローチは、多くの知識グラフ埋め込み(KGE)モデルのためのプラグイン可能なモジュールとして統合することができる。
  論文  参考訳（メタデータ） (2024-10-06T14:06:12Z)
• 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)
• Knowledge Graph Embedding: An Overview [42.16033541753744]
  本稿では,知識グラフの完成に関する現在の研究状況について概観する。 我々は,KG埋め込み(KGE)設計の2つの主要分野に焦点を当てた:1)距離ベース手法と2)意味マッチング方式である。 次に,2次元および3次元アフィン操作からインスピレーションを得る複合Eと複合E3Dを探索する。
  論文  参考訳（メタデータ） (2023-09-21T21:52:42Z)
• 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)
• GreenKGC: A Lightweight Knowledge Graph Completion Method [32.528770408502396]
  GreenKGCは、知識グラフ内のエンティティ間の欠落した関係を見つけることを目的としている。 表現学習、特徴抽出、決定学習の3つのモジュールで構成されている。 低次元では、GreenKGCはほとんどのデータセットでSOTAメソッドより優れている。
  論文  参考訳（メタデータ） (2022-08-19T03:33:45Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Towards Robust Knowledge Graph Embedding via Multi-task Reinforcement Learning [44.38215560989223]
  既存の知識グラフ埋め込み法の多くは、KGの3つの事実はすべて正しいと仮定する。 これはKGの低品質かつ信頼性の低い表現につながる。 本稿では,ノイズの多いデータ問題を大幅に軽減できる汎用マルチタスク強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-11T08:51:37Z)
• What is Learned in Knowledge Graph Embeddings? [3.224929252256631]
  知識グラフ(英: knowledge graph, KG)とは、有向グラフの頂点と辺として実体と関係を表すデータ構造である。 本稿では,関係性間の規則の学習が,組込み方式の性能向上の要因であるかどうかを考察する。 合成KGの実験により、KGモデルがモチーフを学習し、その能力が非モチーフエッジによってどのように劣化するかを示す。
  論文  参考訳（メタデータ） (2021-10-19T13:52:11Z)
• On the Role of Conceptualization in Commonsense Knowledge Graph Construction [59.39512925793171]
  アトミックやASERのような常識知識グラフ(CKG)は、従来のKGと大きく異なる。 本稿では, CKG の概念化手法を紹介し, テキストに記述されたエンティティを特定の概念のインスタンスとみなすか, あるいはその逆を例に紹介する。 提案手法は, 可塑性三重項を効果的に同定し, 新たなノードの3重項と, 多様性と新規性の両端項によってKGを拡張できる。
  論文  参考訳（メタデータ） (2020-03-06T14:35:20Z)

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。