論文の概要: RulE: Neural-Symbolic Knowledge Graph Reasoning with Rule Embedding

• arxiv url: http://arxiv.org/abs/2210.14905v1
• Date: Mon, 24 Oct 2022 06:47:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 13:02:34.583625
• Title: RulE: Neural-Symbolic Knowledge Graph Reasoning with Rule Embedding
• Title（参考訳）: ルール:ルール埋め込みによるニューラルシンボリック知識グラフ推論
• Authors: Xiaojuan Tang, Song-Chun Zhu, Yitao Liang, Muhan Zhang
• Abstract要約: RulEは論理ルールと三つ子を表現、モデル化するための原則化されたフレームワークである。 各論理規則の埋め込みを学習することにより、RulEは論理規則推論をソフトな方法で行うことができる。 KGE単独と比較して、RulEは埋め込み空間に事前論理ルール情報を注入することができる。
• 参考スコア（独自算出の注目度）: 81.00737592607625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph (KG) reasoning is an important problem for knowledge graphs. It predicts missing links by reasoning on existing facts. Knowledge graph embedding (KGE) is one of the most popular methods to address this problem. It embeds entities and relations into low-dimensional vectors and uses the learned entity/relation embeddings to predict missing facts. However, KGE only uses zeroth-order (propositional) logic to encode existing triplets (e.g., ``Alice is Bob's wife."); it is unable to leverage first-order (predicate) logic to represent generally applicable logical \textbf{rules} (e.g., ``$\forall x,y \colon x ~\text{is}~ y\text{'s wife} \rightarrow y ~\text{is}~ x\text{'s husband}$''). On the other hand, traditional rule-based KG reasoning methods usually rely on hard logical rule inference, making it brittle and hardly competitive with KGE. In this paper, we propose RulE, a novel and principled framework to represent and model logical rules and triplets. RulE jointly represents entities, relations and logical rules in a unified embedding space. By learning an embedding for each logical rule, RulE can perform logical rule inference in a soft way and give a confidence score to each grounded rule, similar to how KGE gives each triplet a confidence score. Compared to KGE alone, RulE allows injecting prior logical rule information into the embedding space, which improves the generalization of knowledge graph embedding. Besides, the learned confidence scores of rules improve the logical rule inference process by softly controlling the contribution of each rule, which alleviates the brittleness of logic. We evaluate our method with link prediction tasks. Experimental results on multiple benchmark KGs demonstrate the effectiveness of RulE.
• Abstract（参考訳）: 知識グラフ推論(KG)は知識グラフにとって重要な問題である。 既存の事実に基づいてリンク不足を予測する。 知識グラフ埋め込み(KGE)は、この問題に対処する最も一般的な手法の1つである。 低次元ベクトルにエンティティと関係を埋め込み、学習されたエンティティ/リレーションの埋め込みを使用して、行方不明な事実を予測する。 しかしながら、KGE は、既存の三重項(例えば ``Alice is Bob's wife" など)をエンコードするために、ゼロ階論理(命題論理)しか使用せず、一階論理(述語論理)を利用して一般に適用可能な論理的 \textbf{rules} (例えば ``$\forall x,y \colon x ~\text{is}~ y\text{'s wife} \rightarrow y ~\text{is}~x\text{'s husband}$' )を表現できない。 一方、従来のルールベースのKG推論手法は、通常はハード論理的なルール推論に依存しており、不安定であり、KGEとほとんど競合しない。 本稿では,論理規則と三重項を表現・モデル化する新奇で原則化されたフレームワークRulEを提案する。 RulEは統合埋め込み空間における実体、関係、論理規則を共同で表現する。 各論理規則の埋め込みを学習することにより、RulEは論理規則推論をソフトな方法で実行し、KGEが各三重項に信頼スコアを与えるのと同じように、各基底規則に信頼スコアを与えることができる。 KGE 単独と比較して、RulE は埋め込み空間に事前論理ルール情報を注入することができ、知識グラフの埋め込みの一般化を改善する。 さらに、学習されたルールの信頼度スコアは、各ルールの貢献をソフトに制御することで論理規則推論プロセスを改善し、論理の脆さを軽減する。 提案手法をリンク予測タスクで評価する。 複数のベンチマークKGの実験結果からRulEの有効性が示された。

関連論文リスト

• Can LLMs Reason with Rules? Logic Scaffolding for Stress-Testing and Improving LLMs [87.34281749422756]
  大規模言語モデル(LLM)は、様々な推論タスクにおいて、印象的な人間的なパフォーマンスを実現している。 しかし、その根底にある推論規則の熟達性は、人間の能力に欠ける。 本稿では,推論ルールベースであるULogicを構築するための,推論ルール生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-18T03:38:51Z)
• ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
  そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。 具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。 生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
  論文  参考訳（メタデータ） (2023-09-04T11:38:02Z)
• Simple Rule Injection for ComplEx Embeddings [7.19573352891936]
  本稿では,単純な制約によって複数のルールを注入する機構であるInjExを提案する。 InjExは、解釈可能な事前知識を埋め込み空間に注入することを示した。 実験結果から,InjExはKGCモデルと特殊小ショットモデルの両方に優れることがわかった。
  論文  参考訳（メタデータ） (2023-08-07T03:19:59Z)
• Logical Entity Representation in Knowledge-Graphs for Differentiable Rule Learning [71.05093203007357]
  本稿では,知識グラフ内のエンティティのコンテキスト情報をエンコードするための論理エンティティ・リプレゼンテーション(LERP)を提案する。 LERPは、エンティティの隣接部分グラフ上の確率論的論理関数のベクトルとして設計されている。 我々のモデルは知識グラフ補完において他のルール学習法よりも優れており、最先端のブラックボックス法に匹敵する、あるいは優れている。
  論文  参考訳（メタデータ） (2023-05-22T05:59:22Z)
• Knowledge Reasoning via Jointly Modeling Knowledge Graphs and Soft Rules [17.301284626706856]
  知識グラフ補完法(KGC)は、ルールベースの推論と埋め込みベースの推論の2つの主要なカテゴリに分類される。 本稿では,ルールを注入し,反復的に表現を学習し,ルールと埋め込みを最大限に活用する手法を提案する。
  論文  参考訳（メタデータ） (2023-01-07T05:24:29Z)
• Combining Rules and Embeddings via Neuro-Symbolic AI for Knowledge Base Completion [59.093293389123424]
  すべてのルールベースの知識ベースコンプリートモデルが同じではないことを示す。 1)関係の混合と,2)経路の混合の2つの異なるアプローチを提案する。 ブール論理を実数値論理に拡張することでルールを学習するニューロシンボリックAI上に実装すると、後者のモデルは、平均相互ランクにおいて、最先端のKBC精度を2-10%向上させる。
  論文  参考訳（メタデータ） (2021-09-16T17:54:56Z)
• Theoretical Rule-based Knowledge Graph Reasoning by Connectivity Dependency Discovery [2.945948598480997]
  本稿では,複数のルールタイプを介して,グラフ内の接続依存性をキャプチャするルールベースの知識グラフ推論の理論を提案する。 その結果,ルールディクトモデルは新しい三重項を正確に解釈するだけでなく,1つのベンチマーク知識グラフ補完タスクにおける最先端のパフォーマンスも達成できることがわかった。
  論文  参考訳（メタデータ） (2020-11-12T03:00:20Z)
• RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
  本稿では知識グラフに基づく推論のための論理規則の学習について研究する。 論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。 既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
  論文  参考訳（メタデータ） (2020-10-08T14:47:02Z)
• EM-RBR: a reinforced framework for knowledge graph completion from reasoning perspective [3.6188659868203397]
  本稿では,ルールに基づく推論の利点と組込みの最先端モデルを組み合わせた,EM-RBRという汎用フレームワークを提案する。 EM-RBRは、ルールに含まれる関係背景知識を利用して、多関係推論リンク予測を行う。 実験では,従来のFB15k,WN18および新しいデータセットFB15k-Rと比較して,EM-RBRが優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2020-09-18T07:02:41Z)

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。