論文の概要: Trustworthy Knowledge Graph Completion Based on Multi-sourced Noisy Data

• arxiv url: http://arxiv.org/abs/2201.08580v1
• Date: Fri, 21 Jan 2022 07:59:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-24 19:00:10.743408
• Title: Trustworthy Knowledge Graph Completion Based on Multi-sourced Noisy Data
• Title（参考訳）: マルチソースノイズデータに基づく信頼できる知識グラフ補完
• Authors: Jiacheng Huang and Yao Zhao and Wei Hu and Zhen Ning and Qijin Chen and Xiaoxia Qiu and Chengfu Huo and Weijun Ren
• Abstract要約: 我々は,KGにおけるマルチソースノイズデータと既存事実に基づく知識グラフの事実を利用する,信頼に値する新しい手法を提案する。 具体的には,総合的なスコアリング機能を備えたグラフニューラルネットワークを導入し,さまざまな値型で事実の妥当性を判定する。 本稿では、データソースの品質を事実スコアリング機能に組み込んだ真理推論モデルを提案し、異質な値から真理を推測する半教師付き学習方法を設計する。
• 参考スコア（独自算出の注目度）: 35.938323660176145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs (KGs) have become a valuable asset for many AI applications. Although some KGs contain plenty of facts, they are widely acknowledged as incomplete. To address this issue, many KG completion methods are proposed. Among them, open KG completion methods leverage the Web to find missing facts. However, noisy data collected from diverse sources may damage the completion accuracy. In this paper, we propose a new trustworthy method that exploits facts for a KG based on multi-sourced noisy data and existing facts in the KG. Specifically, we introduce a graph neural network with a holistic scoring function to judge the plausibility of facts with various value types. We design value alignment networks to resolve the heterogeneity between values and map them to entities even outside the KG. Furthermore, we present a truth inference model that incorporates data source qualities into the fact scoring function, and design a semi-supervised learning way to infer the truths from heterogeneous values. We conduct extensive experiments to compare our method with the state-of-the-arts. The results show that our method achieves superior accuracy not only in completing missing facts but also in discovering new facts.
• Abstract（参考訳）: 知識グラフ(KG)は多くのAIアプリケーションにとって貴重な資産となっている。 いくつかのKGには多くの事実が含まれているが、それらは不完全であると広く認められている。 この問題に対処するため、多くのKG補完手法が提案されている。 その中でも、オープンkg補完手法は、webを利用して欠落した事実を見つける。 しかし、様々な情報源から収集されたノイズデータは、完了精度を損なう可能性がある。 本稿では,KGにおけるマルチソースノイズデータと既存事実に基づいて,KGの事実を利用する信頼性の高い新しい手法を提案する。 具体的には,総合的なスコアリング機能を備えたグラフニューラルネットワークを導入し,さまざまな値型で事実の妥当性を判定する。 我々は,値間の不均一性を解決するために値アライメントネットワークを設計し,kg の外でもエンティティにマップする。 さらに,データソース特性をファクトスコアリング関数に組み込んだ真理推論モデルを提案し,半教師あり学習法を設計し,不均一値から真理を推測する。 我々はこの手法を最先端技術と比較するための広範な実験を行った。 提案手法は, 欠落した事実の完成だけでなく, 新たな事実の発見にも有効であることを示す。

関連論文リスト

• Deep Outdated Fact Detection in Knowledge Graphs [13.711099395945988]
  本稿では,知識グラフ(KG)内の古い事実を識別するために設計された,新しいディープラーニングベースのフレームワークであるDEANを提案する。 DEANは、実体と関係の包括的モデリングを通じて、事実間の暗黙的な構造情報をキャプチャすることで、自分自身を区別する。 実験により, 最先端のベースライン法に対するDEANの有効性と優位性を示した。
  論文  参考訳（メタデータ） (2024-02-06T05:58:15Z)
• Improving the Robustness of Knowledge-Grounded Dialogue via Contrastive Learning [71.8876256714229]
  本稿では,知識ベース対話システムの堅牢性向上を目的とした,エンティティベースのコントラスト学習フレームワークを提案する。 提案手法は,自動評価スコアの点から,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-01-09T05:16:52Z)
• FactKG: Fact Verification via Reasoning on Knowledge Graphs [12.5437408722802]
  我々は、知識グラフの推論によるFact Verificationという新しいデータセットを紹介した。 1-hop, Conjunction, Existence, Multi-hop, Negationの5種類の推論を持つ108kの自然言語クレームで構成されている。 本稿では,FactKGをベースラインとして解析する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-11T06:08:49Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• Contrastive Knowledge Graph Error Detection [11.637359888052014]
  提案する新しいフレームワーク - ContrAstive Knowledge Graph Error Detection (CAGED) を提案する。 CAGEDは、KG学習に対照的な学習を導入し、KGモデリングの新しい方法を提供する。 KGエラー検出における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-11-18T05:01:19Z)
• 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)
• BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models [65.51390418485207]
  本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。 関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。 我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
  論文  参考訳（メタデータ） (2022-06-28T19:46:29Z)
• Typing Errors in Factual Knowledge Graphs: Severity and Possible Ways Out [11.534085606272242]
  金と雑音の両方のラベルの利用を最大化する能動的型付き誤り検出アルゴリズムを提案する。 本研究の結果は、研究者がノイズの多い事実KGを使用するためのガイドラインを提供する。
  論文  参考訳（メタデータ） (2021-02-03T21:47:37Z)
• Efficient Knowledge Graph Validation via Cross-Graph Representation Learning [40.570585195713704]
  ノイズの多い事実は、自動抽出によって引き起こされる可能性のある知識グラフに必然的に導入されます。 対象KGの事実を効率的に検証するために外部KGを活用するクロスグラフ表現学習フレームワークであるCrossValを提案する。
  論文  参考訳（メタデータ） (2020-08-16T20:51:17Z)

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。