論文の概要: Knowledge Graph Reasoning with Logics and Embeddings: Survey and Perspective

• arxiv url: http://arxiv.org/abs/2202.07412v1
• Date: Tue, 15 Feb 2022 13:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 15:11:47.110910
• Title: Knowledge Graph Reasoning with Logics and Embeddings: Survey and Perspective
• Title（参考訳）: 論理と埋め込みを用いたナレッジグラフ推論:調査と展望
• Authors: Wen Zhang, Jiaoyan Chen, Juan Li, Zezhong Xu, Jeff Z. Pan, Huajun Chen
• Abstract要約: 知識グラフ(KG)推論は、学術と産業の両方でますます人気が高まっている。 有望な方向性は、ロジックベースのメソッドと埋め込みベースのメソッドを統合することである。
• 参考スコア（独自算出の注目度）: 35.1522867772523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph (KG) reasoning is becoming increasingly popular in both academia and industry. Conventional KG reasoning based on symbolic logic is deterministic, with reasoning results being explainable, while modern embedding-based reasoning can deal with uncertainty and predict plausible knowledge, often with high efficiency via vector computation. A promising direction is to integrate both logic-based and embedding-based methods, with the vision to have advantages of both. It has attracted wide research attention with more and more works published in recent years. In this paper, we comprehensively survey these works, focusing on how logics and embeddings are integrated. We first briefly introduce preliminaries, then systematically categorize and discuss works of logic and embedding-aware KG reasoning from different perspectives, and finally conclude and discuss the challenges and further directions.
• Abstract（参考訳）: 知識グラフ(KG)推論は、学術と産業の両方で人気が高まっている。 記号論理に基づく従来のKG推論は決定論的であり、推論結果は説明可能であるが、現代の埋め込みに基づく推論は不確実性に対処し、しばしばベクトル計算による高い効率で妥当な知識を予測することができる。 有望な方向性は、ロジックベースと埋め込みベースの両方のメソッドを統合することである。 近年、多くの作品が出版され、研究の注目を集めている。 本稿では,これらを包括的に調査し,論理と組込みの統合方法について考察する。 まず,まず予備研究を紹介し,次に異なる視点から論理と埋め込みを意識したKG推論を体系的に分類,議論し,最終的に課題と今後の方向性について結論付け,議論する。

関連論文リスト

• Take A Step Back: Rethinking the Two Stages in Visual Reasoning [57.16394309170051]
  本稿では2段階の視点で視覚的推論を再考する。 共有アナライザを使用しながら、異なるデータドメイン用の分離エンコーダによるシンボル化を実装する方が効率的である。 提案する2段階のフレームワークは,様々な視覚的推論タスクにおいて,印象的な一般化を実現する。
  論文  参考訳（メタデータ） (2024-07-29T02:56:19Z)
• Neural Probabilistic Logic Learning for Knowledge Graph Reasoning [10.473897846826956]
  本稿では,知識グラフの正確な推論を実現するための推論フレームワークを設計することを目的とする。 本稿では,組込みネットワークの表現力を効果的に向上するスコアリングモジュールを提案する。 我々は,変分推論に基づくマルコフ論理ネットワークを組み込むことにより,モデルの解釈可能性を向上させる。
  論文  参考訳（メタデータ） (2024-07-04T07:45:46Z)
• Soft Reasoning on Uncertain Knowledge Graphs [85.1968214421899]
  本研究では,ソフト制約プログラミングの確立を動機とした,不確実な知識に対するソフトクエリの設定について検討する。 本稿では,大規模,不完全,不確実な知識グラフ上でのソフトクエリに応答する,前方推論と後方校正を併用したMLベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-03T13:13:53Z)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)
• Towards Unifying Perceptual Reasoning and Logical Reasoning [0.6853165736531939]
  論理学の最近の研究は、論理的推論をベイズ的推論として提示している。 モデルが知覚システムと論理システムに共通する2つの本質的なプロセスを統合することを示す。
  論文  参考訳（メタデータ） (2022-06-27T10:32:47Z)
• Neural-Symbolic Commonsense Reasoner with Relation Predictors [36.03049905851874]
  Commonsense reasoningは、Commonsense Knowledge Graphs (CKG)から取得した一連のCommonsense factsを統合することを目的としており、通常の状況に関する結論を引き出す。 この機能はまた、新しいイベント間の関係を予測するのにそのような推論プロセスが必要な大規模なスパースナレッジグラフを持つことになる。 本稿では,大規模動的CKGの推論が可能なニューラルシンボリック推論器を提案する。
  論文  参考訳（メタデータ） (2021-05-14T08:54:25Z)
• KompaRe: A Knowledge Graph Comparative Reasoning System [85.72488258453926]
  本稿では,複数の手がかりに対する共通点と矛盾点の推測を目的とした知識グラフの比較推論を提案する。 我々は,大規模な知識グラフに対して比較推論機能を提供する,最初のプロトタイプシステムであるKompaReを開発した。
  論文  参考訳（メタデータ） (2020-11-06T04:57:37Z)
• Neural Logic Reasoning [47.622957656745356]
  本稿では,ディープラーニングと論理推論の能力を統合するために,論理統合ニューラルネットワーク(LINN)を提案する。 LINNは、神経モジュールとしてAND、OR、NOTなどの基本的な論理操作を学び、推論のためにネットワークを通して命題論理推論を行う。 実験の結果、LINNはTop-Kレコメンデーションにおいて最先端のレコメンデーションモデルを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-20T14:53:23Z)

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。