論文の概要: Neural Methods for Logical Reasoning Over Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2209.14464v1
• Date: Wed, 28 Sep 2022 23:10:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 16:17:12.634809
• Title: Neural Methods for Logical Reasoning Over Knowledge Graphs
• Title（参考訳）: ナレッジグラフを用いた論理推論のためのニューラル手法
• Authors: Alfonso Amayuelas, Shuai Zhang, Susie Xi Rao, Ce Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.941769519278745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reasoning is a fundamental problem for computers and deeply studied in Artificial Intelligence. In this paper, we specifically focus on answering multi-hop logical queries on Knowledge Graphs (KGs). This is a complicated task because, in real-world scenarios, the graphs tend to be large and incomplete. Most previous works have been unable to create models that accept full First-Order Logical (FOL) queries, which include negative queries, and have only been able to process a limited set of query structures. Additionally, most methods present logic operators that can only perform the logical operation they are made for. We introduce a set of models that use Neural Networks to create one-point vector embeddings to answer the queries. The versatility of neural networks allows the framework to handle FOL queries with Conjunction ($\wedge$), Disjunction ($\vee$) and Negation ($\neg$) operators. We demonstrate experimentally the performance of our model through extensive experimentation on well-known benchmarking datasets. Besides having more versatile operators, the models achieve a 10\% relative increase over the best performing state of the art and more than 30\% over the original method based on single-point vector embeddings.
• Abstract（参考訳）: 推論はコンピュータの基本問題であり、人工知能で深く研究されている。 本稿では,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着目した。 実世界のシナリオでは、グラフは巨大で不完全になる傾向があるため、これは複雑なタスクです。 これまでのほとんどの作業では、負のクエリを含む完全な一階論理(FOL)クエリを受け入れるモデルを作成することができず、限られたクエリ構造しか処理できなかった。 さらに、ほとんどのメソッドは、目的とする論理演算しか実行できない論理演算子を提示する。 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。 ニューラルネットワークの汎用性により、フレームワークはConjunction($\wedge$)、Disjunction($\vee$)、Negation($\neg$)演算子でFOLクエリを処理できる。 我々は、よく知られたベンチマークデータセットの広範な実験を通して、モデルの性能を実験的に実証する。 より多用途な演算子を持つことに加えて、このモデルは、最高のパフォーマンス状態よりも10\%、単一点ベクトル埋め込みに基づく元の手法よりも30\%以上の相対的な増加を達成する。

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)
• A Foundation Model for Zero-shot Logical Query Reasoning [20.652279854090846]
  知識グラフ(KG)における複雑な論理的問合せ応答(CLQA)は、単純なKG完備化を超えている。 提案するUltraQueryは,任意のKG上で論理的クエリをゼロショットで応答可能な,帰納的推論のための最初の基礎モデルである。
  論文  参考訳（メタデータ） (2024-04-10T17:56:07Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• Neural-Symbolic Models for Logical Queries on Knowledge Graphs [17.290758383645567]
  両世界の利点を享受するニューラルシンボリックモデルであるグラフニューラルネットワーククエリ実行器(GNN-QE)を提案する。 GNN-QEは複雑なFOLクエリを、ファジィ集合上の関係投影と論理演算に分解する。 3つのデータセットの実験により、GNN-QEはFOLクエリに応答する以前の最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-05-16T18:39:04Z)
• Fuzzy Logic based Logical Query Answering on Knowledge Graph [37.039516386710716]
  本稿では,FOLクエリをKG上で応答するファジィ論理ベースのクエリ埋め込みフレームワークFuzzQEを提案する。 ファジィQEはファジィ論理に従い、原理的かつ学習的な方法で論理演算子を定義する。 2つのベンチマークデータセットの実験では、FOLクエリに対するFzzQEのパフォーマンスが大幅に向上している。
  論文  参考訳（メタデータ） (2021-08-05T05:54:00Z)
• 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)
• A Simple Approach to Case-Based Reasoning in Knowledge Bases [56.661396189466664]
  我々は,古典人工知能(AI)におけるケースベース推論を想起させる,アンフノトレーニングを必要とする知識グラフ(KG)における推論に対する驚くほど単純かつ正確なアプローチを提案する。 ソースエンティティとバイナリ関係が与えられたターゲットエンティティを見つけるタスクを考えてみましょう。 我々の非パラメトリックなアプローチは、与えられた関係を通して類似したソースエンティティを接続する複数のテキストトグラフパスパターンを見つけることによって、クエリ毎にクレープな論理ルールを導出します。
  論文  参考訳（メタデータ） (2020-06-25T06:28:09Z)
• Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
  グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。 ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。 モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
  論文  参考訳（メタデータ） (2020-03-14T05:45:55Z)

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。