論文の概要: CatE: Embedding $\mathcal{ALC}$ ontologies using category-theoretical
semantics
- arxiv url: http://arxiv.org/abs/2305.07163v1
- Date: Thu, 11 May 2023 22:27:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-15 14:25:58.599456
- Title: CatE: Embedding $\mathcal{ALC}$ ontologies using category-theoretical
semantics
- Title(参考訳): CatE:圏論的意味論を用いた$\mathcal{ALC}$オントロジーの埋め込み
- Authors: Fernando Zhapa-Camacho, Robert Hoehndorf
- Abstract要約: そこで我々はカテゴリ理論のセマンティクスを用いて公理のグラフ表現を生成するCatEを開発した。
CatEは, 埋込工法を改良することを示す。
また,CatEはバイオメディカル領域における機械学習タスクにおいて,モデル理論の埋め込み手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 78.217418197549
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning with Semantic Web ontologies follows several strategies, one
of which involves projecting ontologies into graph structures and applying
graph embeddings or graph-based machine learning methods to the resulting
graphs. Several methods have been developed that project ontology axioms into
graphs. However, these methods are limited in the type of axioms they can
project (totality), whether they are invertible (injectivity), and how they
exploit semantic information. These limitations restrict the kind of tasks to
which they can be applied. Category-theoretical semantics of logic languages
formalizes interpretations using categories instead of sets, and categories
have a graph-like structure. We developed CatE, which uses the
category-theoretical formulation of the semantics of the Description Logic
$\mathcal{ALC}$ to generate a graph representation for ontology axioms. The
CatE projection is total and injective, and therefore overcomes limitations of
other graph-based ontology embedding methods which are generally not
invertible. We apply CatE to a number of different tasks, including deductive
and inductive reasoning, and we demonstrate that CatE improves over state of
the art ontology embedding methods. Furthermore, we show that CatE can also
outperform model-theoretic ontology embedding methods in machine learning tasks
in the biomedical domain.
- Abstract(参考訳): ひとつは、オントロジーをグラフ構造に投影し、グラフ埋め込みやグラフベースの機械学習メソッドを結果のグラフに適用することである。
オントロジー公理をグラフに投影する手法がいくつか開発されている。
しかしながら、これらの手法は、投影できる公理の種類(トータル性)、可逆性(インジェクティビティ)の有無、意味情報の活用方法に制限されている。
これらの制限は適用可能なタスクの種類を制限する。
論理言語のカテゴリー論的意味論は、集合の代わりに圏を用いて解釈を形式化し、圏はグラフのような構造を持つ。
オントロジー公理のグラフ表現を生成するために、Description Logic $\mathcal{ALC}$のセマンティクスのカテゴリー論的定式化を利用するCatEを開発した。
ケート射影は総括的かつ単射的であり、従って一般に可逆でない他のグラフベースのオントロジー埋め込み法の制限を克服する。
帰納的推論や帰納的推論など,さまざまなタスクにCatEを適用し,CatEがアートオントロジーの埋め込み手法の状態を改善できることを実証した。
さらに,cateは生体医学領域の機械学習タスクにおけるモデル理論的オントロジー埋め込み手法よりも優れることを示した。
関連論文リスト
- SLHCat: Mapping Wikipedia Categories and Lists to DBpedia by Leveraging
Semantic, Lexical, and Hierarchical Features [0.7680851067579922]
DBPediaクラスはWikipediaのカテゴリやリストに割り当てられる。
CaLiGraphの既存のアプローチは、不完全できめ細かいマッピングを生み出している。
我々のモデルSLHCatは、3000の微細なCaLiGraph-DBpediaマッピングペアをアノテートすることで構築されたベンチマークデータセットで評価される。
論文 参考訳(メタデータ) (2023-09-21T05:38:14Z) - PlanE: Representation Learning over Planar Graphs [9.697671872347131]
この研究はホップクロフトとタージャンの古典的な平面グラフ同型アルゴリズムにインスパイアされている。
PlanEには、実用的な拡張性を維持しながら、平面グラフ上の完全な不変性を学習できるアーキテクチャが含まれている。
論文 参考訳(メタデータ) (2023-07-03T17:45:01Z) - From axioms over graphs to vectors, and back again: evaluating the
properties of graph-based ontology embeddings [78.217418197549]
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。
論文 参考訳(メタデータ) (2023-03-29T08:21:49Z) - Probing Graph Representations [77.7361299039905]
グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。
本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。
グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
論文 参考訳(メタデータ) (2023-03-07T14:58:18Z) - Dual Box Embeddings for the Description Logic EL++ [18.779933562725635]
知識グラフ(KG)と同様に、知識グラフはしばしば不完全であり、それらの維持と構築は困難であることが証明された。
KGsと同様に、有望なアプローチは、潜在ベクトル空間への埋め込みを学習し、基礎となるDLのセマンティクスに固執することである。
そこで本研究では,概念と役割をボックスとして表現した,DL EL++用のBox$2$ELという新しいオントロジー埋め込み手法を提案する。
論文 参考訳(メタデータ) (2023-01-26T14:13:37Z) - An Algebraic Framework for Stock & Flow Diagrams and Dynamical Systems
Using Category Theory [2.030738254233949]
この章では、基礎となる数学に焦点をあてるのではなく、StockFlow.jlの実装したソフトウェアによって作成されたコミュニケーション可能な病気の例を非公式に使用します。
まず、分類的ストック・フロー・ダイアグラムを特徴付け、ストック・フロー・ダイアグラムの構文とそれらのセマンティクスを明確に区別する。
カテゴリ理論を適用することで、これらのフレームワークはモジュール化された方法で小さな図から大きな図を作成することができる。
論文 参考訳(メタデータ) (2022-11-01T16:15:54Z) - 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) - Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。
SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文 参考訳(メタデータ) (2021-03-05T09:03:03Z) - 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。
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。