論文の概要: Knowledge Graph Quality Evaluation under Incomplete Information

• arxiv url: http://arxiv.org/abs/2212.00994v3
• Date: Wed, 12 Apr 2023 07:53:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 18:28:10.354511
• Title: Knowledge Graph Quality Evaluation under Incomplete Information
• Title（参考訳）: 不完全情報に基づく知識グラフの品質評価
• Authors: Xiaodong Li, Chenxin Zou, Yi Cai, Yuelong Zhu
• Abstract要約: 不完全情報に基づく知識グラフ品質評価フレームワーク(QEII)を提案する。 品質評価タスクは、2つのKG間の逆Q&Aゲームに変換される。 評価プロセス中は、情報保護を保証する生データを露出しない。
• 参考スコア（独自算出の注目度）: 9.48089663504665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) have attracted more and more attentions because of their fundamental roles in many tasks. Quality evaluation for KGs is thus crucial and indispensable. Existing methods in this field evaluate KGs by either proposing new quality metrics from different dimensions or measuring performances at KG construction stages. However, there are two major issues with those methods. First, they highly rely on raw data in KGs, which makes KGs' internal information exposed during quality evaluation. Second, they consider more about the quality at data level instead of ability level, where the latter one is more important for downstream applications. To address these issues, we propose a knowledge graph quality evaluation framework under incomplete information (QEII). The quality evaluation task is transformed into an adversarial Q&A game between two KGs. Winner of the game is thus considered to have better qualities. During the evaluation process, no raw data is exposed, which ensures information protection. Experimental results on four pairs of KGs demonstrate that, compared with baselines, the QEII implements a reasonable quality evaluation at ability level under incomplete information.
• Abstract（参考訳）: 知識グラフ(KG)は多くのタスクにおける基本的な役割のため、ますます注目を集めている。 したがって、KGsの品質評価は重要で不可欠である。 この分野での既存の手法では、異なる次元からの新しい品質指標を提案するか、kg建設段階での性能を測定するかによってkgを評価する。 しかし、これらの方法には2つの大きな問題がある。 まず、KGsの内部情報を品質評価中に露出させるKGsの生データに強く依存する。 第二に、ダウンストリームアプリケーションにとって後者がより重要となる能力レベルではなく、データレベルの品質についてより深く検討する。 そこで本研究では,不完全情報に基づく知識グラフ品質評価フレームワーク(qeii)を提案する。 品質評価タスクは、2つのKG間の逆Q&Aゲームに変換される。 したがって、ゲームの勝者はより良い品質を持つと考えられる。 評価プロセス中は、情報保護を保証する生データを露出しない。 4組のKGの実験結果から,QEIIはベースラインと比較して,不完全情報下での能力レベルにおいて合理的な品質評価を行うことを示した。

関連論文リスト

• Multi-Facet Counterfactual Learning for Content Quality Evaluation [48.73583736357489]
  コンテンツ品質評価の複数の側面を知覚する評価器を効率的に構築する枠組みを提案する。 我々は,コントラスト学習と教師付き学習に基づく共同学習戦略を活用し,評価者が異なる品質面を区別できるようにする。
  論文  参考訳（メタデータ） (2024-10-10T08:04:10Z)
• Exploring Rich Subjective Quality Information for Image Quality Assessment in the Wild [66.40314964321557]
  我々は,リッチIQAという新しいIQA手法を提案し,MOSを超えるリッチな主観的評価情報を探索し,野生における画像品質を予測する。 コンボリューショナル・ビジョン・トランスフォーマー(CvT)の強力な特徴表現能力を活用し、人間の脳の短期記憶機構と長期記憶機構を模倣する3段階画像品質予測ネットワークである。 RichIQAは、リッチな主観的評価ラベルを持つ複数の大規模IQAデータベースにおいて、最先端の競合より優れている。
  論文  参考訳（メタデータ） (2024-09-09T12:00:17Z)
• Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
  Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。 Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。 コントリビューションの中心は、QGround-100Kデータセットの導入です。
  論文  参考訳（メタデータ） (2024-07-24T06:42:46Z)
• Evaluating the Knowledge Dependency of Questions [12.25396414711877]
  知識依存解答法(KDA)を考案した新しい自動評価指標を提案する。 まず,人的調査から得られた学生の回答に基づいて,KDAの測定方法を示す。 そこで本研究では,学生の問題解決行動を模倣するために,事前学習言語モデルを活用することで,KDAを近似した2つの自動評価指標KDA_discとKDA_contを提案する。
  論文  参考訳（メタデータ） (2022-11-21T23:08:30Z)
• Knowledge Graph Curation: A Practical Framework [0.0]
  そこで本研究では,KGの品質向上のための知識グラフキュレーションフレームワークを提案する。 まず、KGsの状態を評価するための品質指標のセットを定義する。 次に, クリーニング作業としてKGの検証と検証を行う。 第3に,KGの濃縮のための重複検出と知識融合戦略を提案する。
  論文  参考訳（メタデータ） (2022-08-17T07:55:28Z)
• Knowledge Graph Question Answering Leaderboard: A Community Resource to Prevent a Replication Crisis [61.740077541531726]
  コミュニティの焦点として、KGQAベンチマークデータセットに対して、新たな中心的でオープンなリーダボードを提供しています。 本分析は,KGQAシステムの評価において,既存の問題点を浮き彫りにする。
  論文  参考訳（メタデータ） (2022-01-20T13:46:01Z)
• QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question Answering [122.84513233992422]
  学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。 既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
  論文  参考訳（メタデータ） (2021-04-13T17:32:51Z)
• Object-QA: Towards High Reliable Object Quality Assessment [71.71188284059203]
  オブジェクト認識アプリケーションでは、オブジェクトイメージは通常、異なる品質レベルで表示される。 本稿では,オブジェクト画像の信頼性の高い品質スコアを評価するために,Object-QAという効果的手法を提案する。
  論文  参考訳（メタデータ） (2020-05-27T01:46:58Z)

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。