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
- DELE: Deductive $\mathcal{EL}^{++} \thinspace $ Embeddings for Knowledge Base Completion [45.817946135388176]
オントロジーはクラス、関係、個人を$mathbbn$に埋め込み、$bbRn$のエンティティ間の類似性を計算することができる。
本手法は,知識ベースや完了タスクのベースライン埋め込みよりも優れていることを示す。
論文 参考訳(メタデータ) (2024-11-03T14:00:04Z) - End-to-End Ontology Learning with Large Language Models [11.755755139228219]
大規模言語モデル(LLM)は、オントロジー学習の様々なサブタスクを解決するために応用されている。
我々は、オントロジーの分類学的バックボーンをスクラッチから構築する汎用的でスケーラブルな方法であるOLLMによって、このギャップに対処する。
標準的なメトリクスとは対照的に、私たちのメトリクスは、グラフ間のより堅牢な構造的距離測定を定義するためにディープラーニング技術を使用します。
私たちのモデルは、arXivのような新しいドメインに効果的に適用できます。
論文 参考訳(メタデータ) (2024-10-31T02:52:39Z) - Enhancing Geometric Ontology Embeddings for $\mathcal{EL}^{++}$ with Negative Sampling and Deductive Closure Filtering [45.817946135388176]
オントロジーはクラス、関係、個人を$mathbbn$に埋め込み、$bbRn$のエンティティ間の類似性を計算することができる。
還元的閉鎖と異なるタイプの負の双方を考慮に入れた新規な負の損失を生じさせる。
論文 参考訳(メタデータ) (2024-05-08T07:50:21Z) - SemGrasp: Semantic Grasp Generation via Language Aligned Discretization [53.43801984965309]
本稿では,SemGraspと呼ばれるセマンティックなグリップ生成手法を提案する。
そこで本研究では,握り空間を意味空間に整合させる離散表現を導入し,握り姿勢の生成を可能にする。
その後、MLLM(Multimodal Large Language Model)が微調整され、オブジェクト、把握、言語を統一意味空間内で統合する。
論文 参考訳(メタデータ) (2024-04-04T16:58:26Z) - Dual Box Embeddings for the Description Logic EL++ [16.70961576041243]
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) - Joint Language Semantic and Structure Embedding for Knowledge Graph
Completion [66.15933600765835]
本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。
本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。
各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
論文 参考訳(メタデータ) (2022-09-19T02:41:02Z) - Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。
我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。
我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
論文 参考訳(メタデータ) (2022-01-21T09:01:12Z) - Why Settle for Just One? Extending EL++ Ontology Embeddings with
Many-to-Many Relationships [2.599882743586164]
知識グラフ埋め込みは、知識グラフの実体と関係の低次元表現を提供する。
この方向の最近の取り組みは、EL++と呼ばれる記述(記述のための論理論理)への埋め込みの学習である。
我々は、埋め込み表現を学習しながら、多対多の関係を考慮できる、シンプルで効果的なソリューションを提供する。
論文 参考訳(メタデータ) (2021-10-20T13:23:18Z)
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。