論文の概要: The DLCC Node Classification Benchmark for Analyzing Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2207.06014v1
• Date: Wed, 13 Jul 2022 07:43:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-15 01:05:48.700999
• Title: The DLCC Node Classification Benchmark for Analyzing Knowledge Graph Embeddings
• Title（参考訳）: 知識グラフ埋め込み解析のためのDLCCノード分類ベンチマーク
• Authors: Jan Portisch and Heiko Paulheim
• Abstract要約: DLCCベンチマークは,どのクラスを表現できるかという観点から,埋め込みアプローチを解析するためのリソースである。 2つのゴールド標準が提示され、1つは現実世界の知識グラフDBpediaと1つの合成ゴールド標準に基づいている。 我々はDBpedia上の多くのDLコンストラクタが、ゴールド標準で定義されたものと異なる相関パターンを認識することで実際に学習されていることを発見した。
• 参考スコア（独自算出の注目度）: 2.3605348648054463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph embedding is a representation learning technique that projects entities and relations in a knowledge graph to continuous vector spaces. Embeddings have gained a lot of uptake and have been heavily used in link prediction and other downstream prediction tasks. Most approaches are evaluated on a single task or a single group of tasks to determine their overall performance. The evaluation is then assessed in terms of how well the embedding approach performs on the task at hand. Still, it is hardly evaluated (and often not even deeply understood) what information the embedding approaches are actually learning to represent. To fill this gap, we present the DLCC (Description Logic Class Constructors) benchmark, a resource to analyze embedding approaches in terms of which kinds of classes they can represent. Two gold standards are presented, one based on the real-world knowledge graph DBpedia and one synthetic gold standard. In addition, an evaluation framework is provided that implements an experiment protocol so that researchers can directly use the gold standard. To demonstrate the use of DLCC, we compare multiple embedding approaches using the gold standards. We find that many DL constructors on DBpedia are actually learned by recognizing different correlated patterns than those defined in the gold standard and that specific DL constructors, such as cardinality constraints, are particularly hard to be learned for most embedding approaches.
• Abstract（参考訳）: 知識グラフ埋め込みは、知識グラフの実体と関係を連続ベクトル空間に投影する表現学習手法である。 埋め込みは、多くの注目を集め、リンク予測やその他の下流予測タスクによく使われてきた。 ほとんどのアプローチは、全体的なパフォーマンスを決定するために、1つのタスクまたは1つのタスクのグループで評価されます。 評価は、手前のタスクにおいて、埋め込みアプローチがどれだけうまく機能するかで評価される。 それでも、埋め込みアプローチが実際に表現するために学習している情報はほとんど評価されない(そしてしばしば深くは理解されていない)。 このギャップを埋めるために、DLCC(Description Logic Class Constructors)ベンチマークを提示する。 2つのゴールド標準が提示され、1つは実世界の知識グラフdbpediaと1つの合成ゴールド標準に基づいている。 また、研究者が金本位制を直接使用できるように実験プロトコルを実装した評価フレームワークが提供される。 DLCCの使用を実証するために,金標準を用いた複数の埋め込み手法を比較した。 dbpediaのdlコンストラクタの多くは、金本位制で定義されたものとは異なる相関パターンを認識して実際に学習されており、濃度制約のような特定のdlコンストラクタは、ほとんどの埋め込みアプローチで特に習得が困難である。

関連論文リスト

• Toward Degree Bias in Embedding-Based Knowledge Graph Completion [37.270356897629675]
  偏差は、低次ノードの表現不足を学習することでグラフアルゴリズムに影響を与える可能性がある。 本稿では,埋め込み型知識グラフにおける次数バイアスの存在を検証し,次数バイアスの要因を同定する。 そこで我々は,そのバイアスを軽減するために合成三重項を生成する新しいデータ拡張手法であるKG-Mixupを導入する。
  論文  参考訳（メタデータ） (2023-02-10T04:14:45Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
  本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。 本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。 各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:41:02Z)
• KGxBoard: Explainable and Interactive Leaderboard for Evaluation of Knowledge Graph Completion Models [76.01814380927507]
  KGxBoardは、データの意味のあるサブセットを詳細に評価するためのインタラクティブなフレームワークである。 実験では,KGxBoardを用いることで,標準平均シングルスコアメトリクスでは検出が不可能であったことを強調した。
  論文  参考訳（メタデータ） (2022-08-23T15:11:45Z)
• Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
  本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。 特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。 このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-18T18:41:36Z)
• 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)
• ECKPN: Explicit Class Knowledge Propagation Network for Transductive Few-shot Learning [53.09923823663554]
  クラスレベルの知識は、ほんの一握りのサンプルから人間が容易に学習することができる。 本稿では,この問題に対処する明示的クラス知識伝達ネットワーク(ECKPN)を提案する。 筆者らは,4つの数ショット分類ベンチマークについて広範な実験を行い,提案したECKPNが最先端の手法よりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2021-06-16T02:29:43Z)
• Improving Zero Shot Learning Baselines with Commonsense Knowledge [42.12440091215234]
  我々は、commonsense知識グラフであるconceptnetで定義されたノード間の明示的な関係を利用して、クラスラベルのcommonsense埋め込みを生成する。 3つの標準ベンチマークデータセット上で行った実験は、常識埋め込みと既存のセマンティック埋め込みを融合させると、強力なベースラインを超えます。
  論文  参考訳（メタデータ） (2020-12-11T10:52:04Z)
• KACC: A Multi-task Benchmark for Knowledge Abstraction, Concretization and Completion [99.47414073164656]
  包括的知識グラフ(KG)は、インスタンスレベルのエンティティグラフとオントロジーレベルの概念グラフを含む。 2ビューのKGは、知識の抽象化、包括化、完成に関する人間の能力を「シミュレーション」するためのモデルのためのテストベッドを提供する。 我々は,データセットのスケール,タスクカバレッジ,難易度の観点から,既存のベンチマークを改善した統一KGベンチマークを提案する。
  論文  参考訳（メタデータ） (2020-04-28T16:21:57Z)
• What Does My QA Model Know? Devising Controlled Probes using Expert Knowledge [36.13528043657398]
  我々は,現在最先端のQAモデルが,単語定義や一般的な分類学的推論に関する一般的な知識を持っているかどうかを検討する。 さまざまなタイプの専門家の知識からデータセットを自動的に構築するための方法論を使用します。 評価の結果,変圧器を用いたQAモデルはすでにある種の構造的語彙的知識を認識できないことが確認された。
  論文  参考訳（メタデータ） (2019-12-31T15:05:54Z)

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。