論文の概要: Effects of Locality and Rule Language on Explanations for Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2302.06967v1
• Date: Tue, 14 Feb 2023 10:50:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-15 15:34:29.467160
• Title: Effects of Locality and Rule Language on Explanations for Knowledge Graph Embeddings
• Title（参考訳）: 知識グラフ埋め込みの説明に対する局所性と規則言語の影響
• Authors: Luis Gal\'arraga
• Abstract要約: 本研究では,特定のルールと局所範囲が,埋め込み型リンク予測器の規則に基づく説明の質に及ぼす影響について検討する。 以上の結果から,より具体的なルールや局所的なスコープが説明の精度を向上させることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs (KGs) are key tools in many AI-related tasks such as reasoning or question answering. This has, in turn, propelled research in link prediction in KGs, the task of predicting missing relationships from the available knowledge. Solutions based on KG embeddings have shown promising results in this matter. On the downside, these approaches are usually unable to explain their predictions. While some works have proposed to compute post-hoc rule explanations for embedding-based link predictors, these efforts have mostly resorted to rules with unbounded atoms, e.g., bornIn(x,y) => residence(x,y), learned on a global scope, i.e., the entire KG. None of these works has considered the impact of rules with bounded atoms such as nationality(x,England) => speaks(x, English), or the impact of learning from regions of the KG, i.e., local scopes. We therefore study the effects of these factors on the quality of rule-based explanations for embedding-based link predictors. Our results suggest that more specific rules and local scopes can improve the accuracy of the explanations. Moreover, these rules can provide further insights about the inner-workings of KG embeddings for link prediction.
• Abstract（参考訳）: 知識グラフ(KG)は、推論や質問応答など、AI関連の多くのタスクにおいて重要なツールである。 これは、KGsにおけるリンク予測の研究を推進し、利用可能な知識から不足した関係を予測するタスクである。 kg埋め込みに基づくソリューションは、この問題において有望な結果を示している。 欠点として、これらのアプローチは通常、予測を説明することができない。 埋め込みベースのリンク予測器のポストホックなルール説明を計算するためにいくつかの研究が提案されているが、これらの取り組みは主に、KG全体、すなわちグローバルな範囲で学習したbornIn(x,y) => residence(x,y)のような、非有界な原子の規則に頼っている。 これらの研究のどれも、国籍(x,England) => 話者(x, English)のような有界原子による規則の影響や、KGの領域、すなわち局所的な範囲からの学習の影響を考慮していない。 そこで本研究では,埋め込み型リンク予測器におけるルールベース説明の質に及ぼす因子の影響について検討した。 以上の結果から,より具体的なルールや局所範囲が説明の精度を向上させることが示唆された。 さらに、これらのルールはリンク予測のためのKG埋め込みの内部作業に関するさらなる洞察を与えることができる。

関連論文リスト

• Graph-constrained Reasoning: Faithful Reasoning on Knowledge Graphs with Large Language Models [83.28737898989694]
  大規模言語モデル(LLM)は知識ギャップと幻覚のために忠実な推論に苦しむ。 グラフ制約推論(GCR)は、KGにおける構造的知識とLLMにおける非構造的推論を橋渡しする新しいフレームワークである。 GCRは最先端のパフォーマンスを達成し、追加のトレーニングをすることなく、見えないKGに対して強力なゼロショット一般化性を示す。
  論文  参考訳（メタデータ） (2024-10-16T22:55:17Z)
• Learning Rules from KGs Guided by Language Models [48.858741745144044]
  ルール学習手法は、潜在的に欠落する事実を予測するために適用することができる。 規則のランク付けは、高度に不完全あるいは偏りのあるKGよりも特に難しい。 近年のLanguage Models (LM) の台頭により、いくつかの研究が、LMがKG補完の代替手段として利用できると主張している。
  論文  参考訳（メタデータ） (2024-09-12T09:27:36Z)
• Faithful Knowledge Graph Explanations for Commonsense Reasoning [7.242609314791262]
  言語モデル(LM)と知識グラフ(KG)の融合は、常識的質問応答において広く利用されている。 現在の手法は、しばしば忠実さをデコードするパスを見落とし、グラフエンコーダ出力とモデル予測の間にばらつきをもたらす。 本研究は,LM-KGのミスアライメントと相反する効果を,突発的な説明を引き起こす重要な要因として同定する。
  論文  参考訳（メタデータ） (2023-10-07T20:29:45Z)
• Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasoning [104.92384929827776]
  大規模言語モデル(LLM)は複雑なタスクにおいて顕著な推論能力を示している。 彼らは推論中に最新の知識と幻覚を欠いている。 知識グラフ(KG)は、推論のための信頼できる知識源を提供する。
  論文  参考訳（メタデータ） (2023-10-02T10:14:43Z)
• ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
  そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。 具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。 生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
  論文  参考訳（メタデータ） (2023-09-04T11:38:02Z)
• Understanding Expressivity of GNN in Rule Learning [36.04983130825589]
  ルール学習は知識グラフ(KG)推論を改善するために重要である。 テールエンティティスコアリングを持つGNNは、共通のフレームワークに統合される。 そこで我々は,KG推論におけるルールをより多く学習するための新しいラベリング戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-22T04:49:00Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
  グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である 我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。 RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
  論文  参考訳（メタデータ） (2022-04-23T09:13:25Z)
• Adversarial Learning for Debiasing Knowledge Graph Embeddings [9.53284633479507]
  社会的・文化的偏見は、異なる集団や少数民族に有害な結果をもたらす可能性がある。 本稿では,知識グラフ(KG)の埋め込みにおいて,そのようなバイアスを識別し緩和することを目的とする。 我々は、FAN(Filtering Adversarial Network)と呼ばれる、KG埋め込みから機密属性情報をフィルタリングする新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2020-06-29T18:36:15Z)

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。