論文の概要: From axioms over graphs to vectors, and back again: evaluating the properties of graph-based ontology embeddings

• arxiv url: http://arxiv.org/abs/2303.16519v2
• Date: Thu, 11 May 2023 09:24:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 17:41:14.831491
• Title: From axioms over graphs to vectors, and back again: evaluating the properties of graph-based ontology embeddings
• Title（参考訳）: グラフ上の公理からベクトルへ、そして再び、グラフに基づくオントロジー埋め込みの性質を評価する
• Authors: Fernando Zhapa-Camacho, Robert Hoehndorf
• Abstract要約: 埋め込みを生成するアプローチの1つは、名前付きエンティティと論理公理構造のためのノードとエッジのセットを導入することである。 グラフに埋め込む方法(グラフ射影)は、それらが利用する公理の種類と異なる性質を持つ。
• 参考スコア（独自算出の注目度）: 78.217418197549
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several approaches have been developed that generate embeddings for Description Logic ontologies and use these embeddings in machine learning. One approach of generating ontologies embeddings is by first embedding the ontologies into a graph structure, i.e., introducing a set of nodes and edges for named entities and logical axioms, and then applying a graph embedding to embed the graph in $\mathbb{R}^n$. Methods that embed ontologies in graphs (graph projections) have different formal properties related to the type of axioms they can utilize, whether the projections are invertible or not, and whether they can be applied to asserted axioms or their deductive closure. We analyze, qualitatively and quantitatively, several graph projection methods that have been used to embed ontologies, and we demonstrate the effect of the properties of graph projections on the performance of predicting axioms from ontology embeddings. We find that there are substantial differences between different projection methods, and both the projection of axioms into nodes and edges as well ontological choices in representing knowledge will impact the success of using ontology embeddings to predict axioms.
• Abstract（参考訳）: 記述論理オントロジーの埋め込みを生成し、機械学習にこれらの埋め込みを使用するいくつかのアプローチが開発されている。 オントロジーを生成する1つのアプローチは、まずオントロジーをグラフ構造に埋め込み、すなわち名前付きエンティティと論理公理のためのノードとエッジの集合を導入し、次にグラフ埋め込みを適用することで、グラフを$\mathbb{r}^n$に埋め込む。 グラフ(グラフ射影)にオントロジーを埋め込む方法は、それらが活用できる公理の種類、射影が可逆であるかどうか、あるいは主張された公理に応用できるかどうか、あるいはその帰納的閉包に関して異なる形式的性質を持つ。 オントロジーの埋め込みに用いられてきた複数のグラフ投影法を定量的・定量的に分析し,オントロジー埋め込みによる公理予測の性能に及ぼすグラフ投影の性質の影響を実証した。 予測法には相違があり, ノードとエッジへの公理の投射と知識の表現における存在論的選択の両方が, 公理の予測にオントロジー埋め込みを用いることの成功に影響を及ぼすことがわかった。

関連論文リスト

• Structural Node Embeddings with Homomorphism Counts [2.0131144893314232]
  準同型は局所構造情報を捉えます 準同型数に基づくノード埋め込みの有効性を実験的に示す。 本手法は,有界木幅グラフクラスに対するグラフ準同型カウントの効率的な計算可能性に着目している。
  論文  参考訳（メタデータ） (2023-08-29T13:14:53Z)
• Weisfeiler and Lehman Go Paths: Learning Topological Features via Path Complexes [4.23480641508611]
  グラフニューラルネットワーク(GNN)は理論上、1-Weisfeiler-Lehmanテストによって拘束される。 本研究では, トポロジ的メッセージパッシング過程において, グラフ内の単純な経路に着目し, 新たな視点を示す。
  論文  参考訳（メタデータ） (2023-08-13T19:45:20Z)
• On the Expressivity of Persistent Homology in Graph Learning [13.608942872770855]
  計算トポロジのテクニックである永続化ホモロジーは、最近、グラフ分類の文脈において、強い経験的性能を示した。 本稿では、グラフの文脈における永続的ホモロジーの簡単な紹介と、グラフ学習タスクにおけるその表現性に関する理論的議論と実証分析について述べる。
  論文  参考訳（メタデータ） (2023-02-20T08:19:19Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)
• Directed Graph Embeddings in Pseudo-Riemannian Manifolds [0.0]
  一般的な有向グラフは、3つの成分を結合した埋め込みモデルで効果的に表現できることを示す。 本稿では,リンク予測のタスクに適用することで,この手法の表現能力を実証する。
  論文  参考訳（メタデータ） (2021-06-16T10:31:37Z)
• Persistent Homology and Graphs Representation Learning [0.7734726150561088]
  永続ホモロジーで利用可能なツールを用いて,ノードグラフ表現埋め込みに符号化される位相不変性について検討する。 私たちの構造は、グラフレベルとノードレベルの両方で、ユニークな永続化ベースのグラフディスクリプタを効果的に定義します。 提案手法の有効性を実証するため,DeepWalk,Node2Vec,Diff2Vecのトポロジカル記述子について検討した。
  論文  参考訳（メタデータ） (2021-02-25T15:26:21Z)
• A Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
  既存の説明可能性技術を評価するための診断特性のリストを作成する。 そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
  論文  参考訳（メタデータ） (2020-09-25T12:01:53Z)
• Building powerful and equivariant graph neural networks with structural message-passing [74.93169425144755]
  本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。 まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。 次に,メッセージのパラメトリゼーション手法を提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:15:16Z)

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。