Fugu-MT 論文翻訳(概要): DeepGAR: Deep Graph Learning for Analogical Reasoning

論文の概要: DeepGAR: Deep Graph Learning for Analogical Reasoning

arxiv url: http://arxiv.org/abs/2211.10821v1
Date: Sat, 19 Nov 2022 23:12:58 GMT
ステータス: 処理完了
システム内更新日: 2022-11-22 19:04:09.641823
Title: DeepGAR: Deep Graph Learning for Analogical Reasoning
Title（参考訳）: DeepGAR: アナロジー推論のためのディープグラフ学習
Authors: Chen Ling, Tanmoy Chowdhury, Junji Jiang, Junxiang Wang, Xuchao Zhang, Haifeng Chen, and Liang Zhao
Abstract要約: アナロジカル推論(アナロジカル推論、Analogical reasoning)は、対象物から対象物への対応関係を発見し、マッピングする過程である。 SMT(Structure-Mapping Theory)は、ターゲットとベースの両方をグラフに抽象化し、アナログ推論の認知過程を形成する。本稿では,認知理論に基づく制約を仮定することにより,ソースドメインとターゲットドメインの対応を識別する,分析推論(DeepGAR)のための新しいフレームワークを提案する。
参考スコア（独自算出の注目度）: 31.679051203515655
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Analogical reasoning is the process of discovering and mapping correspondences from a target subject to a base subject. As the most well-known computational method of analogical reasoning, Structure-Mapping Theory (SMT) abstracts both target and base subjects into relational graphs and forms the cognitive process of analogical reasoning by finding a corresponding subgraph (i.e., correspondence) in the target graph that is aligned with the base graph. However, incorporating deep learning for SMT is still under-explored due to several obstacles: 1) the combinatorial complexity of searching for the correspondence in the target graph; 2) the correspondence mining is restricted by various cognitive theory-driven constraints. To address both challenges, we propose a novel framework for Analogical Reasoning (DeepGAR) that identifies the correspondence between source and target domains by assuring cognitive theory-driven constraints. Specifically, we design a geometric constraint embedding space to induce subgraph relation from node embeddings for efficient subgraph search. Furthermore, we develop novel learning and optimization strategies that could end-to-end identify correspondences that are strictly consistent with constraints driven by the cognitive theory. Extensive experiments are conducted on synthetic and real-world datasets to demonstrate the effectiveness of the proposed DeepGAR over existing methods.
Abstract（参考訳）: 類推的推論とは、対象対象から基本対象への対応を発見・マッピングする過程である。類似推論の最もよく知られた計算手法として、構造マッピング理論(smt)は、対象対象と基本対象の両方を関係グラフに抽象化し、対象グラフと整合する対象グラフに対応する部分グラフ(すなわち対応)を見つけることによって、類似推論の認知過程を形成する。しかし、SMTにディープラーニングを組み込むことは、いくつかの障害があるため、まだ未検討である。 1) 対象グラフにおける対応の検索の組合せ的複雑さ 2) 対応マイニングは, 認知理論による制約によって制限される。両課題に対処するために,認知理論に基づく制約を定め,ソースドメインとターゲットドメインの対応を識別する新たなフレームワーク(DeepGAR)を提案する。具体的には,効率的な部分グラフ探索のためのノード埋め込みから部分グラフ関係を誘導する幾何学的制約埋め込み空間を設計する。さらに,認知理論によって引き起こされる制約と厳密に一致する対応をエンドツーエンドで識別できる新しい学習と最適化戦略を開発した。既存の手法に対して提案したDeepGARの有効性を実証するために、合成および実世界のデータセットで大規模な実験を行った。

関連論文リスト

Graph Reinforcement Learning for Combinatorial Optimization: A Survey and Unifying Perspective [6.199818486385127]
我々は、強化学習の試行錯誤パラダイムを用いて、より良い意思決定戦略を発見する。この研究は、パフォーマンスアルゴリズムが典型的に知られていない非標準グラフ問題に焦点を当てている。
論文参考訳（メタデータ） (2024-04-09T17:45:25Z)
Rethinking Dimensional Rationale in Graph Contrastive Learning from Causal Perspective [15.162584339143239]
グラフコントラスト学習(Graph contrastive learning)は、グラフの様々な摂動から不変情報を捉えるのに優れた一般的な学習パラダイムである。最近の研究は、グラフから構造的理性を探究することに集中し、不変情報の識別可能性を高める。本稿では,学習可能な次元理性獲得ネットワークと冗長性低減制約を導入した,次元理性対応グラフコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2023-12-16T10:05:18Z)
Learning High-level Semantic-Relational Concepts for SLAM [10.528810470934781]
低レベル因子グラフから推定できる高レベル意味関連概念を学習するためのアルゴリズムを提案する。提案手法をシミュレーションと実データの両方で検証し, 2つのベースラインアプローチによる性能向上を実証した。
論文参考訳（メタデータ） (2023-09-30T14:54:31Z)
LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文参考訳（メタデータ） (2023-09-24T05:43:19Z)
Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文参考訳（メタデータ） (2023-09-20T08:11:58Z)
Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
論文参考訳（メタデータ） (2023-06-21T07:34:27Z)
MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning [63.50909998372667]
テキストの論理的ReasonIngに対して,Metaパスを用いたコントラスト学習手法であるMERItを提案する。 2つの新しい戦略が我々の手法の必須要素である。
論文参考訳（メタデータ） (2022-03-01T11:13:00Z)
Graph Collaborative Reasoning [18.45161138837384]
グラフ協調推論(GCR)は、論理的推論の観点からグラフ上の関係推論に隣接リンク情報を使用することができる。そこで我々は,グラフ構造を論理式に変換する簡単な手法を提案し,リンク予測タスクをニューラルネットワーク推論問題に変換する。本研究の有効性を示すため,一般的なベンチマークデータセットに基づくリンク予測やレコメンデーションなどのグラフ関連タスクの実験を行った。
論文参考訳（メタデータ） (2021-12-27T14:27:58Z)
Learning Connectivity with Graph Convolutional Networks for Skeleton-based Action Recognition [14.924672048447338]
グラフのトポロジ特性を学習するグラフ畳み込みネットワークのための新しいフレームワークを提案する。本手法の設計原理は制約対象関数の最適化に基づいている。骨格に基づく行動認識の課題に対して行った実験は,提案手法の優位性を示している。
論文参考訳（メタデータ） (2021-12-06T19:43:26Z)
RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文参考訳（メタデータ） (2021-01-25T13:31:29Z)
An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
データから制約をマイニングするための一般的なフレームワークを提案する。特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
論文参考訳（メタデータ） (2020-06-18T20:09:53Z)

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。