論文の概要: Box Embeddings for the Description Logic EL++

• arxiv url: http://arxiv.org/abs/2201.09919v1
• Date: Mon, 24 Jan 2022 19:24:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-27 10:44:02.926987
• Title: Box Embeddings for the Description Logic EL++
• Title（参考訳）: 記述ロジックel++のためのbox組み込み
• Authors: Bo Xiong, Nico Potyka, Trung-Kien Tran, Mojtaba Nayyeri, Steffen Staab
• Abstract要約: 論理構造をよりよくキャプチャできる幾何学的KB埋め込み手法であるBoxELを提案する。 論理構造を保存するためにBoxELの理論的保証(音性)を示す。 仮定推論および実世界のタンパク質タンパク質予測実験の結果,BoxELは従来の知識グラフ埋め込み法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 21.89072991669119
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, various methods for representation learning on Knowledge Bases (KBs) have been developed. However, these approaches either only focus on learning the embeddings of the data-level knowledge (ABox) or exhibit inherent limitations when dealing with the concept-level knowledge (TBox), e.g., not properly modelling the structure of the logical knowledge. We present BoxEL, a geometric KB embedding approach that allows for better capturing logical structure expressed in the theories of Description Logic EL++. BoxEL models concepts in a KB as axis-parallel boxes exhibiting the advantage of intersectional closure, entities as points inside boxes, and relations between concepts/entities as affine transformations. We show theoretical guarantees (soundness) of BoxEL for preserving logical structure. Namely, the trained model of BoxEL embedding with loss 0 is a (logical) model of the KB. Experimental results on subsumption reasoning and a real-world application--protein-protein prediction show that BoxEL outperforms traditional knowledge graph embedding methods as well as state-of-the-art EL++ embedding approaches.
• Abstract（参考訳）: 近年,知識ベース(KB)を用いた表現学習法が開発されている。 しかしながら、これらのアプローチは、データレベルの知識(abox)の埋め込みを学ぶことのみに焦点を当てるか、あるいは概念レベルの知識(tbox)を扱う際に固有の制限を示すかのどちらかである。 BoxELは幾何学的KB埋め込み方式で、記述論理EL++の理論で表される論理構造をよりよく捉えることができる。 boxel は kb の概念を軸並列ボックスとしてモデル化し、交叉閉包の利点、箱の中の点としてのエンティティ、アフィン変換としての概念/関係の関係を示す。 論理構造保存のためのboxelの理論的保証(音質)を示す。 つまり、損失 0 で埋め込む BoxEL の訓練されたモデルは、KB の(論理的な)モデルである。 仮定推論および実世界のタンパク質タンパク質予測実験の結果,BoxELは従来の知識グラフの埋め込み手法や最先端のEL++の埋め込み手法よりも優れていることが示された。

関連論文リスト

• Semantic Objective Functions: A distribution-aware method for adding logical constraints in deep learning [4.854297874710511]
  制約付き学習と知識蒸留技術は有望な結果を示した。 本稿では,機械学習モデルに知識を付加した論理的制約を組み込むロスベース手法を提案する。 本手法は,論理的制約のある分類タスクを含む,様々な学習課題において評価する。
  論文  参考訳（メタデータ） (2024-05-03T19:21:47Z)
• CLIP-QDA: An Explainable Concept Bottleneck Model [3.570403495760109]
  本稿では,高速かつ説明可能な画像分類を行うマルチモーダル基礎モデルから設計した説明可能なアルゴリズムを提案する。 我々の説明は計算を高速化しながら既存のXAI手法と競合する。
  論文  参考訳（メタデータ） (2023-11-30T18:19:47Z)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• Great Truths are Always Simple: A Rather Simple Knowledge Encoder for Enhancing the Commonsense Reasoning Capacity of Pre-Trained Models [89.98762327725112]
  自然言語における常識推論は、人工知能システムの望ましい能力である。 複雑なコモンセンス推論タスクを解決するための典型的な解決策は、知識対応グラフニューラルネットワーク(GNN)エンコーダで事前訓練された言語モデル(PTM)を強化することである。 有効性にもかかわらず、これらのアプローチは重いアーキテクチャ上に構築されており、外部知識リソースがPTMの推論能力をどのように改善するかを明確に説明できない。
  論文  参考訳（メタデータ） (2022-05-04T01:27:36Z)
• A Closer Look at Knowledge Distillation with Features, Logits, and Gradients [81.39206923719455]
  知識蒸留(KD)は、学習した知識をあるニューラルネットワークモデルから別のニューラルネットワークモデルに転送するための重要な戦略である。 この研究は、古典的なKL分割基準を異なる知識源で近似することで、一連の知識蒸留戦略を動機付ける新しい視点を提供する。 分析の結果,ロジットは一般的により効率的な知識源であり,十分な特徴次元を持つことがモデル設計に不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2022-03-18T21:26:55Z)
• Description Logic EL++ Embeddings with Intersectional Closure [10.570100236658705]
  我々は、軸パラレルボックスを用いた記述論理EL++埋め込みを学習するためにELBE(EL Embedding)を開発した。 提案手法の有効性を実証するために,3つのデータセットの広範な実験結果について報告する。
  論文  参考訳（メタデータ） (2022-02-28T18:37:14Z)
• Probabilistic Case-based Reasoning for Open-World Knowledge Graph Completion [59.549664231655726]
  ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。 本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。 提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
  論文  参考訳（メタデータ） (2020-10-07T17:48:12Z)
• BoxE: A Box Embedding Model for Knowledge Base Completion [53.57588201197374]
  知識ベース補完(KBC)は、知識ベース(KB)に存在する情報を活用することにより、行方不明な事実を自動的に推測することを目的とする。 既存の埋め込みモデルは、以下の制限の少なくとも1つに該当する。 BoxEは、エンティティをポイントとして、関係をハイパー矩形(またはボックス)の集合として埋め込む
  論文  参考訳（メタデータ） (2020-07-13T09:40:49Z)
• Common Sense or World Knowledge? Investigating Adapter-Based Knowledge Injection into Pretrained Transformers [54.417299589288184]
  本研究では,概念ネットとそれに対応するオープンマインド・コモンセンス(OMCS)コーパスから,BERTの分布知識と概念知識を補完するモデルについて検討する。 我々のアダプタベースのモデルは,ConceptNet や OMCS に明示的に存在する概念的知識のタイプを必要とする推論タスクにおいて,BERT を大幅に上回っている。
  論文  参考訳（メタデータ） (2020-05-24T15:49:57Z)
• Explainable AI for Classification using Probabilistic Logic Inference [9.656846523452502]
  説明可能な分類法を提案する。 本手法は,まず学習データから記号的知識ベースを構築し,その知識ベース上で線形プログラミングによる確率的推論を行う。 これは、ある分類を説明として責任を負う決定的な特徴を特定し、アートリー値ベースの手法であるSHAPに類似した結果を生成する。
  論文  参考訳（メタデータ） (2020-05-05T11:39:23Z)

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。