論文の概要: Contrastive Knowledge Graph Error Detection

• arxiv url: http://arxiv.org/abs/2211.10030v1
• Date: Fri, 18 Nov 2022 05:01:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 14:07:08.871799
• Title: Contrastive Knowledge Graph Error Detection
• Title（参考訳）: 対照的な知識グラフ誤り検出
• Authors: Qinggang Zhang, Junnan Dong, Keyu Duan, Xiao Huang, Yezi Liu, Linchuan Xu
• Abstract要約: 提案する新しいフレームワーク - ContrAstive Knowledge Graph Error Detection (CAGED) を提案する。 CAGEDは、KG学習に対照的な学習を導入し、KGモデリングの新しい方法を提供する。 KGエラー検出における最先端の手法よりも優れています。
• 参考スコア（独自算出の注目度）: 11.637359888052014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graph (KG) errors introduce non-negligible noise, severely affecting KG-related downstream tasks. Detecting errors in KGs is challenging since the patterns of errors are unknown and diverse, while ground-truth labels are rare or even unavailable. A traditional solution is to construct logical rules to verify triples, but it is not generalizable since different KGs have distinct rules with domain knowledge involved. Recent studies focus on designing tailored detectors or ranking triples based on KG embedding loss. However, they all rely on negative samples for training, which are generated by randomly replacing the head or tail entity of existing triples. Such a negative sampling strategy is not enough for prototyping practical KG errors, e.g., (Bruce_Lee, place_of_birth, China), in which the three elements are often relevant, although mismatched. We desire a more effective unsupervised learning mechanism tailored for KG error detection. To this end, we propose a novel framework - ContrAstive knowledge Graph Error Detection (CAGED). It introduces contrastive learning into KG learning and provides a novel way of modeling KG. Instead of following the traditional setting, i.e., considering entities as nodes and relations as semantic edges, CAGED augments a KG into different hyper-views, by regarding each relational triple as a node. After joint training with KG embedding and contrastive learning loss, CAGED assesses the trustworthiness of each triple based on two learning signals, i.e., the consistency of triple representations across multi-views and the self-consistency within the triple. Extensive experiments on three real-world KGs show that CAGED outperforms state-of-the-art methods in KG error detection. Our codes and datasets are available at https://github.com/Qing145/CAGED.git.
• Abstract（参考訳）: 知識グラフ(KG)エラーは無視できないノイズを引き起こし、KG関連下流タスクに深刻な影響を及ぼす。 KGsにおけるエラーの検出は、エラーのパターンが未知で多様であるため困難である。 伝統的な解法は、三重項を検証する論理規則を構築することであるが、異なるKGがドメイン知識を持つ異なる規則を持つため、一般化はできない。 近年の研究では、KG埋め込み損失に基づく調整型検出器やランキングトリプルの設計に焦点が当てられている。 しかし、それらはすべてトレーニングのために負のサンプルに依存しており、既存のトリプルの頭部や尾部をランダムに置き換えることで生成される。 このような負のサンプリング戦略は、例えば(Bruce_Lee, place_of_birth, China)のような実用的なKGエラーをプロトタイピングするのに十分ではない。 我々は、KGエラー検出に適した、より効果的な教師なし学習機構を求めている。 そこで我々は,新しいフレームワークであるContrAstive Knowledge Graph Error Detection (CAGED)を提案する。 KG学習に対照的な学習を導入し、KGモデリングの新しい方法を提供する。 従来の設定に従う代わりに、ノードとしてエンティティを、セマンティックエッジとしてリレーションを考慮し、CAGEDはノードとして各リレーショナルトリプルについて、KGを異なるハイパービューに拡張する。 KG埋め込みと対照的な学習損失の併用訓練の後、CAGEDは2つの学習信号、すなわち多視点における三重表現の一貫性と三重項内の自己整合性に基づいて、各三重項の信頼性を評価する。 3つの実世界のKGの大規模な実験により、CAGEDはKGエラー検出における最先端の手法より優れていることが示された。 私たちのコードとデータセットはhttps://github.com/qing145/caged.gitで利用可能です。

関連論文リスト

• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
  KG強化推薦のための新しいコントラスト学習フレームワークを提案する。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-09-23T14:05:55Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• Mitigating Relational Bias on Knowledge Graphs [51.346018842327865]
  マルチホップバイアスを同時に緩和し,知識グラフにおけるエンティティとリレーションの近接情報を保存するフレームワークであるFair-KGNNを提案する。 ジェンダー占有とナショナリティ・サリーバイアスを軽減するために,2つの最先端KGNNモデル(RCCNとCompGCN)を組み込んだFair-KGNNの2例を開発した。
  論文  参考訳（メタデータ） (2022-11-26T05:55:34Z)
• A Review of Knowledge Graph Completion [0.0]
  情報抽出法は構造化データや非構造化データからの3重抽出に有効であることが証明された。 現在の知識グラフのほとんどは不完全である。 下流タスクでKGを使用するためには、KGに欠けているリンクを予測することが望ましい。
  論文  参考訳（メタデータ） (2022-08-24T16:42:59Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Link-Intensive Alignment for Incomplete Knowledge Graphs [28.213397255810936]
  本研究では,不完全KGと表現学習の整合性の問題に対処する。 我々のフレームワークは、推移性に基づく2つの特徴チャネルと近接性に基づく2つの特徴チャネルを利用する。 2つの特徴チャネルは、入力KG間で重要な特徴を交換するために共同で学習される。 また,学習過程中に欠落したリンクを検出し,回復するリンク検出装置も開発した。
  論文  参考訳（メタデータ） (2021-12-17T00:41:28Z)
• FedE: Embedding Knowledge Graphs in Federated Setting [21.022513922373207]
  マルチソースKGは、実際の知識グラフアプリケーションでは一般的な状況である。 データプライバシと感度のため、関連する知識グラフのセットは、異なる知識グラフからデータを集めるだけで、お互いのKGCを補完することはできない。 我々は,局所的な更新を集約して知識グラフの埋め込みを学習することに焦点を当てた,知識グラフ埋め込みフレームワークであるフェデレーション(Federated Knowledge Graph Embedding)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T11:52:05Z)
• Efficient Knowledge Graph Validation via Cross-Graph Representation Learning [40.570585195713704]
  ノイズの多い事実は、自動抽出によって引き起こされる可能性のある知識グラフに必然的に導入されます。 対象KGの事実を効率的に検証するために外部KGを活用するクロスグラフ表現学習フレームワークであるCrossValを提案する。
  論文  参考訳（メタデータ） (2020-08-16T20:51:17Z)
• What is Normal, What is Strange, and What is Missing in a Knowledge Graph: Unified Characterization via Inductive Summarization [34.3446695203147]
  ここでは,KGを教師なしKG要約として定式化することにより,KG特徴量に対する統一解を導入する。 KGistは最小記述長原理に従ってKGを最もよく圧縮する帰納規則の要約を学習する。 KGistは, エラー検出や不完全性同定において, タスク固有の, 教師あり, 教師なしのベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-23T17:38:31Z)
• On the Role of Conceptualization in Commonsense Knowledge Graph Construction [59.39512925793171]
  アトミックやASERのような常識知識グラフ(CKG)は、従来のKGと大きく異なる。 本稿では, CKG の概念化手法を紹介し, テキストに記述されたエンティティを特定の概念のインスタンスとみなすか, あるいはその逆を例に紹介する。 提案手法は, 可塑性三重項を効果的に同定し, 新たなノードの3重項と, 多様性と新規性の両端項によってKGを拡張できる。
  論文  参考訳（メタデータ） (2020-03-06T14:35:20Z)

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。