Fugu-MT 論文翻訳(概要): Explaining Link Predictions in Knowledge Graph Embedding Models with Influential Examples

論文の概要: Explaining Link Predictions in Knowledge Graph Embedding Models with Influential Examples

arxiv url: http://arxiv.org/abs/2212.02651v1
Date: Mon, 5 Dec 2022 23:19:02 GMT
ステータス: 処理完了
システム内更新日: 2022-12-07 17:26:52.574794
Title: Explaining Link Predictions in Knowledge Graph Embedding Models with Influential Examples
Title（参考訳）: 実例を用いた知識グラフ埋め込みモデルにおけるリンク予測の説明
Authors: Adrianna Janik, Luca Costabello
Abstract要約: 本稿では,知識グラフ埋め込み(KGE)モデルにおけるリンク予測の説明問題について検討する。本稿では,知識グラフにおけるノードとエッジの潜在空間表現を利用して予測を記述した例に基づく手法を提案する。
参考スコア（独自算出の注目度）: 8.892798396214065
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We study the problem of explaining link predictions in the Knowledge Graph Embedding (KGE) models. We propose an example-based approach that exploits the latent space representation of nodes and edges in a knowledge graph to explain predictions. We evaluated the importance of identified triples by observing progressing degradation of model performance upon influential triples removal. Our experiments demonstrate that this approach to generate explanations outperforms baselines on KGE models for two publicly available datasets.
Abstract（参考訳）: 本稿では,知識グラフ埋め込み(KGE)モデルにおけるリンク予測の説明問題について検討する。本稿では,ナレッジグラフにおけるノードとエッジの潜在空間表現を利用した予測手法を提案する。モデル性能の進行劣化を観察し, 同定された三重項の重要性を評価した。提案手法は,KGEモデルに基づく2つの公開データセットのベースラインよりも優れていることを示す。

関連論文リスト

KGExplainer: Towards Exploring Connected Subgraph Explanations for Knowledge Graph Completion [18.497296711526268]
我々は,連結部分グラフを同定し,定量的に評価するための評価器を蒸留するモデルに依存しないKGExplainerを提案する。ベンチマークデータセットの実験は、KGExplainerが有望な改善を達成し、人間の評価において83.3%の最適比率を達成することを示した。
論文参考訳（メタデータ） (2024-04-05T05:02:12Z)
Path-based Explanation for Knowledge Graph Completion [17.541247786437484]
GNNベースの知識グラフ補完モデルの結果に対する適切な説明は、モデルの透明性を高める。 KGCタスクを説明するための既存のプラクティスは、インスタンス/サブグラフベースのアプローチに依存している。我々は、GNNベースのモデルを探索する最初のパスベースのKGC説明器であるPower-Linkを提案する。
論文参考訳（メタデータ） (2024-01-04T14:19:37Z)
KGEx: Explaining Knowledge Graph Embeddings via Subgraph Sampling and Knowledge Distillation [6.332573781489264]
我々は、代理モデル研究からインスピレーションを得て、個々のリンク予測を説明する新しい方法であるKGExを提案する。予測対象の三重項が与えられた場合、KGExは重要な三重項を特定するために使用するKGEモデルをシュロゲートする。我々は、KGExがブラックボックスモデルに忠実な説明を提供することができることを示すために、2つの公開データセットに関する広範な実験を行った。
論文参考訳（メタデータ） (2023-10-02T10:20:24Z)
A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning [49.09125100268454]
KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。関係パターンはKGEモデルの性能において重要な要素である。我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
論文参考訳（メタデータ） (2023-08-15T17:30:57Z)
CausE: Towards Causal Knowledge Graph Embedding [13.016173217017597]
知識グラフ埋め込み(KGE)は、知識グラフ(KG)の連続ベクトル空間への実体と関係を表現することに焦点を当てている。我々はKGEの新しいパラダイムを因果関係と非絡み込みの文脈で構築する。本稿では,CausE(Causality Enhanced Knowledge Graph Embedding)フレームワークを提案する。
論文参考訳（メタデータ） (2023-07-21T14:25:39Z)
Repurposing Knowledge Graph Embeddings for Triple Representation via Weak Supervision [77.34726150561087]
現在の方法では、事前訓練されたモデルからの実体と述語埋め込みを使わずに、スクラッチから三重埋め込みを学習する。本研究では,知識グラフからトリプルを自動抽出し,事前学習した埋め込みモデルからそれらのペアの類似性を推定する手法を開発した。これらのペアの類似度スコアは、細い三重表現のためにシームズ様のニューラルネットワークに供給される。
論文参考訳（メタデータ） (2022-08-22T14:07:08Z)
Deconfounding to Explanation Evaluation in Graph Neural Networks [136.73451468551656]
我々は、全グラフと部分グラフの間に分布シフトが存在し、分布外問題を引き起こすと論じる。本稿では,モデル予測に対する説明文の因果効果を評価するために,Decon founded Subgraph Evaluation (DSE)を提案する。
論文参考訳（メタデータ） (2022-01-21T18:05:00Z)
Poisoning Knowledge Graph Embeddings via Relation Inference Patterns [8.793721044482613]
本稿では,知識グラフのリンク予測作業における知識グラフ埋め込み(KGE)モデルに対するデータ中毒攻撃の問題点について検討する。 KGEモデルに悪影響を与えるため,知識グラフの対称性,逆転,構成といった関係パターンから得られた帰納的能力を活用することを提案する。
論文参考訳（メタデータ） (2021-11-11T17:57:37Z)
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)
Explaining and Improving Model Behavior with k Nearest Neighbor Representations [107.24850861390196]
モデルの予測に責任のあるトレーニング例を特定するために, k 近傍表現を提案する。我々は,kNN表現が学習した素因関係を明らかにするのに有効であることを示す。以上の結果から,kNN手法により,直交モデルが逆入力に対してより堅牢であることが示唆された。
論文参考訳（メタデータ） (2020-10-18T16:55:25Z)
Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
論文参考訳（メタデータ） (2020-10-01T17:51:19Z)

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。