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
- In-situ graph reasoning and knowledge expansion using Graph-PReFLexOR [0.0]
グラフ推論とシンボリック抽象化を組み合わせてドメイン知識を動的に拡張するフレームワークであるGraph-PReFLexORを提案する。
強化学習に触発されて、推論は構造化されたマッピングとして定義され、タスクが知識グラフ、抽象パターン、そして最終的には最終回答を生み出す。
その結果、より優れた推論深度と適応性を示し、透明で多分野のAI駆動型発見の可能性を示している。
論文 参考訳(メタデータ) (2025-01-14T13:52:41Z) - Path-of-Thoughts: Extracting and Following Paths for Robust Relational Reasoning with Large Language Models [62.12031550252253]
本稿では,関係推論に対処するための新しいフレームワークであるPath-of-Thoughts(PoT)を提案する。
PoTは、問題コンテキスト内の重要なエンティティ、関係、属性を識別するタスクに依存しないグラフを効率的に抽出する。
PoTは、提案された質問に対応するグラフ内の関連する推論連鎖を特定し、潜在的な答えの推論を容易にする。
論文 参考訳(メタデータ) (2024-12-23T20:27:12Z) - Perturbation Ontology based Graph Attention Networks [26.95077612390953]
Ontology-based Graph Attention Networks (POGAT) は、オントロジーのサブグラフと高度な自己教師付き学習パラダイムを組み合わせて、深い文脈理解を実現する新しい方法論である。
POGATは最先端のベースラインを大幅に上回り、リンク予測のクリティカルタスクはF1スコアで10.78%、ノード分類のクリティカルタスクはMicro-F1で12.01%という画期的な改善を実現している。
論文 参考訳(メタデータ) (2024-11-27T17:12:14Z) - 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) - 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) - 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。