論文の概要: How Stable is Knowledge Base Knowledge?

• arxiv url: http://arxiv.org/abs/2211.00989v1
• Date: Wed, 2 Nov 2022 09:50:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 13:57:06.669619
• Title: How Stable is Knowledge Base Knowledge?
• Title（参考訳）: 知識ベース知識はどの程度安定しているか?
• Authors: Suhas Shrinivasan, Simon Razniewski
• Abstract要約: 知識ベース(KB)は、現実世界の実体、それらの性質、関係に関する事実の広範な収集という形で、現実世界の構造化された表現を提供する。 一部のエンティティ・プロプライエタリ・ペアは現実に変化を起こさないが、将来的には変化するかもしれない。 本稿では,KB安定性の概念,具体的には実世界の変化によって変化するKBの問題点について考察する。
• 参考スコア（独自算出の注目度）: 12.470223430956084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Bases (KBs) provide structured representation of the real-world in the form of extensive collections of facts about real-world entities, their properties and relationships. They are ubiquitous in large-scale intelligent systems that exploit structured information such as in tasks like structured search, question answering and reasoning, and hence their data quality becomes paramount. The inevitability of change in the real-world, brings us to a central property of KBs -- they are highly dynamic in that the information they contain are constantly subject to change. In other words, KBs are unstable. In this paper, we investigate the notion of KB stability, specifically, the problem of KBs changing due to real-world change. Some entity-property-pairs do not undergo change in reality anymore (e.g., Einstein-children or Tesla-founders), while others might well change in the future (e.g., Tesla-board member or Ronaldo-occupation as of 2022). This notion of real-world grounded change is different from other changes that affect the data only, notably correction and delayed insertion, which have received attention in data cleaning, vandalism detection, and completeness estimation already. To analyze KB stability, we proceed in three steps. (1) We present heuristics to delineate changes due to world evolution from delayed completions and corrections, and use these to study the real-world evolution behaviour of diverse Wikidata domains, finding a high skew in terms of properties. (2) We evaluate heuristics to identify entities and properties likely to not change due to real-world change, and filter inherently stable entities and properties. (3) We evaluate the possibility of predicting stability post-hoc, specifically predicting change in a property of an entity, finding that this is possible with up to 83% F1 score, on a balanced binary stability prediction task.
• Abstract（参考訳）: 知識ベース(kbs)は、実世界の実体、その特性、関係に関する広範な事実の集合の形で、実世界の構造化表現を提供する。 それらは、構造化検索、質問応答、推論などのタスクで構造化情報を利用する大規模なインテリジェントシステムにおいてユビキタスであり、データ品質が最重要である。 現実世界における変化の必然性は、KBの中心的な特性をもたらします。 言い換えれば、KBは不安定である。 本稿では,KB安定性の概念,具体的には実世界の変化によって変化するKBの問題点について考察する。 一部のエンティティ・プロパティ・ペアは現実に変化を起こさない(アインシュタインやテスラの創業者など)一方で、2022年時点ではteslaの役員やロナルド・占有など)。 この現実世界の接地的変化の概念は、データにのみ影響する他の変化、特にデータクリーニング、破壊的検出、完全性推定に注意を払っている修正と遅延挿入とは異なる。 KB安定性を解析するために、我々は3つのステップで進む。 1) 遅れた完了や修正からの世界的進化による変化を列挙するヒューリスティックスを提示し, 様々なウィキデータドメインの現実世界の進化の振る舞いを考察し, 特性の観点から高い歪を見いだす。 2)実世界の変化によって変化しないエンティティやプロパティを識別するヒューリスティックスを評価し,本質的に安定したエンティティやプロパティをフィルタする。 (3) バランスの取れた二分安定性予測タスクにおいて, 安定後の予測可能性, 特にエンティティの特性の変化を予測し, 最大83%のF1スコアで実現可能であることを明らかにする。

関連論文リスト

• Towards Stable 3D Object Detection [64.49059005467817]
  安定度指数(SI)は3次元検出器の安定性を信頼度、ボックスの定位、範囲、方向で総合的に評価できる新しい指標である。 モデルの安定性向上を支援するため,予測一貫性学習(PCL)と呼ばれる,汎用的で効果的なトレーニング戦略を導入する。 PCLは本質的に、異なるタイムスタンプと拡張の下で同じオブジェクトの予測一貫性を促進し、検出安定性を向上させる。
  論文  参考訳（メタデータ） (2024-07-05T07:17:58Z)
• Identifiable Exchangeable Mechanisms for Causal Structure and Representation Learning [54.69189620971405]
  IEM(Identible Exchangeable Mechanisms)と呼ばれる,表現と構造学習のための統合フレームワークを提供する。 IEMは、交換可能な非i.d.データにおける因果構造同定に必要な条件を緩和する新しい洞察を提供する。 また、認識可能な表現学習における双対性条件の存在を実証し、新たな識別可能性結果をもたらす。
  論文  参考訳（メタデータ） (2024-06-20T13:30:25Z)
• MARS: Benchmarking the Metaphysical Reasoning Abilities of Language Models with a Multi-task Evaluation Dataset [50.36095192314595]
  大きな言語モデル(LLM)は、一般化可能な推論能力を持つ意識的なエージェントとして機能する。 この能力は、イベントにおける無限の可能な変更をモデル化する複雑さのために、まだ探索されていない。 我々は,各ステップに対応する3つのタスクからなる最初のベンチマークMARSを紹介する。
  論文  参考訳（メタデータ） (2024-06-04T08:35:04Z)
• How much reliable is ChatGPT's prediction on Information Extraction under Input Perturbations? [14.815409733416358]
  入力摂動下でのChatGPTの頑健さを情報抽出(IE)の最も基本的な課題の一つとして評価する。 自動評価と人的評価の両方を用いて、2つのNERデータセット上でChatGPTの頑健さを体系的に解析する。 1)ChatGPTは、広く知られている人や場所に関する摂動に比べ、薬物や疾患の代替品(希少物質)に弱いことが判明した。
  論文  参考訳（メタデータ） (2024-04-07T22:06:19Z)
• Stable Update of Regression Trees [0.0]
  本稿では,回帰木という,本質的に説明可能な機械学習手法の安定性に着目した。 本稿では,初期モデルの不確実性に基づいてデータポイントを重み付けする正規化手法を提案する。 その結果、提案手法は、類似またはより良い予測性能を達成しつつ、安定性の向上を図っている。
  論文  参考訳（メタデータ） (2024-02-21T09:41:56Z)
• Nothing Stands Still: A Spatiotemporal Benchmark on 3D Point Cloud Registration Under Large Geometric and Temporal Change [86.44429778015657]
  人工空間の3次元幾何学地図の構築は、基本的なコンピュータビジョンとロボット工学である。 Not Stands Still (NSS)ベンチマークは、大きな空間的および時間的変化を行う3Dシーンの時間的登録に焦点を当てている。 NSSの一環として,建設中または改修中の大規模建築屋内環境において,3次元点雲のデータセットを連続的に取得する。
  論文  参考訳（メタデータ） (2023-11-15T20:09:29Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• On the Trustworthiness of Tree Ensemble Explainability Methods [0.9558392439655014]
  特徴重要度法(ゲインやSHAPなど)は、このニーズに対処する最も一般的な説明可能性法の一つである。 信頼できる、意味のある説明可能性のテクニックは、正確で安定した説明を提供する必要があります。 シミュレーションと4つの実世界のデータセットを用いた包括的実験により,グローバルな特徴重要度手法の精度と安定性を評価する。
  論文  参考訳（メタデータ） (2021-09-30T20:56:37Z)
• A Framework for Explainable Concept Drift Detection in Process Mining [0.6927055673104934]
  プロセスマイニングにおけるコンセプトドリフト検出に説明可能性レベルを追加するフレームワークを提案する。 提案手法は原因と影響の関係を悪化させ,実行プロセスに新たな洞察を与える。
  論文  参考訳（メタデータ） (2021-05-27T14:03:19Z)
• Detecting Hierarchical Changes in Latent Variable Models [20.796638500161524]
  潜在変数モデルには3つの異なるレベルの変更がある。 変更がどのレベルから来ているかを特定することで、変更の原因を分析することができるため、これらの変更を検出することが重要です。 本稿では,階層的な方法で3つのレベルの変化を検出するための情報理論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T18:46:10Z)

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。