論文の概要: FLEX: Feature-Logic Embedding Framework for CompleX Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2205.11039v3
• Date: Thu, 20 Apr 2023 10:54:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 17:35:54.310636
• Title: FLEX: Feature-Logic Embedding Framework for CompleX Knowledge Graph Reasoning
• Title（参考訳）: FLEX: CompleXナレッジグラフ推論のための機能論理埋め込みフレームワーク
• Authors: Xueyuan Lin, Haihong E, Gengxian Zhou, Tianyi Hu, Li Ningyuan, Mingzhi Sun, Haoran Luo
• Abstract要約: 本稿では,新しいKGRフレームワークであるFeature-Logic EmbeddingフレームワークFLEXを提案する。 これは、結合、解離、否定などを含む全てのFOL操作を処理できる最初のKGRフレームワークであるが、さまざまな機能空間もサポートしている。 FLEXは、ベンチマークデータセット上で既存の最先端メソッドを著しく上回ることを示す実験である。
• 参考スコア（独自算出の注目度）: 2.1440886607229555
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Current best performing models for knowledge graph reasoning (KGR) introduce geometry objects or probabilistic distributions to embed entities and first-order logical (FOL) queries into low-dimensional vector spaces. They can be summarized as a center-size framework (point/box/cone, Beta/Gaussian distribution, etc.). However, they have limited logical reasoning ability. And it is difficult to generalize to various features, because the center and size are one-to-one constrained, unable to have multiple centers or sizes. To address these challenges, we instead propose a novel KGR framework named Feature-Logic Embedding framework, FLEX, which is the first KGR framework that can not only TRULY handle all FOL operations including conjunction, disjunction, negation and so on, but also support various feature spaces. Specifically, the logic part of feature-logic framework is based on vector logic, which naturally models all FOL operations. Experiments demonstrate that FLEX significantly outperforms existing state-of-the-art methods on benchmark datasets.
• Abstract（参考訳）: 知識グラフ推論(KGR)の現在の最高の性能モデルでは、要素を埋め込む幾何学的オブジェクトや確率分布、低次元ベクトル空間に一階論理的(FOL)クエリを導入している。 それらはセンターサイズフレームワーク(ポイント/ボックス/コーン、ベータ/ガウス分布など)として要約できる。 しかし、論理的推論能力は限られている。 中心と大きさが1対1で、複数の中心や大きさを持たないため、様々な特徴に一般化することは困難である。 これらの課題に対処するため、我々は、新しいKGRフレームワークであるFeature-Logic Embedding FrameworkであるFLEXを提案し、これは、TRULYが接続、解離、否定などを含む全てのFOL操作を処理できるだけでなく、様々な機能空間もサポートする最初のKGRフレームワークである。 具体的には、機能論理フレームワークのロジック部分は、すべてのFOL操作を自然にモデル化するベクトル論理に基づいている。 FLEXは、ベンチマークデータセット上で既存の最先端メソッドを著しく上回ることを示す実験である。

関連論文リスト

• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  大規模言語モデル(LLM)に基づくKG上の複雑な推論スキーマを提案する。 任意の一階論理クエリを二分木分解により拡張し、LLMの推論能力を刺激する。 広く使われているデータセットに対する実験では、LACTは高度な手法よりも大幅に改善されている(平均+5.5% MRRスコア)。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)
• Causality is all you need [63.10680366545293]
  因果グラフルーティング(Causal Graph Routing, CGR)は、データに隠された原因影響力を明らかにするための介入機構を完全に依存した統合因果スキームである。 CGRは、Visual Question AnswerとLong Document Classificationタスクの両方において、最先端のメソッドを超越することができる。
  論文  参考訳（メタデータ） (2023-11-21T02:53:40Z)
• Wasserstein-Fisher-Rao Embedding: Logical Query Embeddings with Local Comparison and Global Transport [33.283368906484746]
  本研究は、不均衡な最適輸送理論による局所的および大域的トレードオフについて検討する。 我々は、Wasserstein-Fisher-Rao計量によって動機付けられたスコアリング関数を持つ有界測度として$real$に集合を埋め込む。 その結果、WFREは、標準データセット上の既存のクエリ埋め込みメソッドよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-05-06T12:48:17Z)
• Neural Methods for Logical Reasoning Over Knowledge Graphs [14.941769519278745]
  知識グラフ(KGs)上でのマルチホップ論理的クエリの応答に焦点をあてる。 これまでのほとんどの作業では、FOL(First-Order Logical)クエリを完全に受け入れるモデルを作成することができなかった。 本稿では,ニューラルネットワークを用いて一点ベクトル埋め込みを生成し,問合せに答えるモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-28T23:10:09Z)
• Unsupervised Knowledge Graph Alignment by Probabilistic Reasoning and Semantic Embedding [22.123001954919893]
  本稿では,確率論的推論とセマンティック埋め込みに基づくPRASEという反復的フレームワークを提案する。 PRASEフレームワークは、異なる埋め込みベースのモデルと互換性があり、複数のデータセットの実験では、その最先端性能が実証されている。
  論文  参考訳（メタデータ） (2021-05-12T11:27:46Z)
• Logic-Driven Context Extension and Data Augmentation for Logical Reasoning of Text [65.24325614642223]
  論理的な記号や表現をテキストで理解し、答えにたどり着くよう提案します。 このような論理的情報に基づいて,文脈拡張フレームワークとデータ拡張アルゴリズムを提案する。 本手法は最先端の性能を実現し,論理駆動コンテキスト拡張フレームワークとデータ拡張アルゴリズムの両方が精度向上に寄与する。
  論文  参考訳（メタデータ） (2021-05-08T10:09:36Z)
• Fully Convolutional Networks for Panoptic Segmentation [91.84686839549488]
  そこで我々は,Panoptic FCNという概念的,シンプルで,強力で,効率的なパノプティックセグメンテーションフレームワークを提案する。 我々のアプローチは、統一された完全な畳み込みパイプラインにおいて、前景や背景を表現し、予測することを目的としています。 Panoptic FCNは、提案されたカーネルジェネレータで、各オブジェクトインスタンスまたは物カテゴリを特定のカーネル重みにエンコードする。
  論文  参考訳（メタデータ） (2020-12-01T18:31:41Z)
• Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs [89.51365993393787]
  知識グラフ(KG)上で任意のFOLクエリに応答する確率的埋め込みフレームワークであるBetaEを紹介する。 BetaEは、一階述語論理演算の完全なセットを処理できる最初のメソッドである。 大規模かつ不完全な3つのKG上での任意のFOLクエリ応答におけるBetaEの性能を示す。
  論文  参考訳（メタデータ） (2020-10-22T06:11:39Z)
• Logic2Text: High-Fidelity Natural Language Generation from Logical Forms [84.5687465831598]
  我々は、制御可能、高忠実、忠実な世代を得るため、論理形式から生成する論理レベル NLG を定式化する。 提案する大規模データセットは TextscLogic2Text で,10,753 個の共通論理型を基礎となる論理形式と組み合わせて記述する。
  論文  参考訳（メタデータ） (2020-04-30T04:06:06Z)

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。