論文の概要: Lattice-preserving $\mathcal{ALC}$ ontology embeddings with saturation
- arxiv url: http://arxiv.org/abs/2305.07163v3
- Date: Wed, 06 Nov 2024 07:01:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-08 03:29:43.837748
- Title: Lattice-preserving $\mathcal{ALC}$ ontology embeddings with saturation
- Title（参考訳）: 飽和を伴う格子保存 $\mathcal{ALC}$オントロジー埋め込み
- Authors: Fernando Zhapa-Camacho, Robert Hoehndorf,
- Abstract要約: OWL表現の埋め込みを生成するため,順序保存型埋め込み法を提案する。
本手法は,いくつかの知識ベース完了タスクにおいて,最先端の組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）: 50.05281461410368
- License:
- Abstract: Generating vector representations (embeddings) of OWL ontologies is a growing task due to its applications in predicting missing facts and knowledge-enhanced learning in fields such as bioinformatics. The underlying semantics of OWL ontologies are expressed using Description Logics (DLs). Initial approaches to generate embeddings relied on constructing a graph out of ontologies, neglecting the semantics of the logic therein. Recent semantic-preserving embedding methods often target lightweight DL languages like $\mathcal{EL}^{++}$, ignoring more expressive information in ontologies. Although some approaches aim to embed more descriptive DLs like $\mathcal{ALC}$, those methods require the existence of individuals, while many real-world ontologies are devoid of them. We propose an ontology embedding method for the $\mathcal{ALC}$ DL language that considers the lattice structure of concept descriptions. We use connections between DL and Category Theory to materialize the lattice structure and embed it using an order-preserving embedding method. We show that our method outperforms state-of-the-art methods in several knowledge base completion tasks. Furthermore, we incoporate saturation procedures that increase the information within the constructed lattices. We make our code and data available at \url{https://github.com/bio-ontology-research-group/catE}.
- Abstract（参考訳）: OWLオントロジーのベクトル表現(埋め込み)の生成は、生物情報学のような分野における、行方不明な事実や知識に富んだ学習を予測するために、その応用が増加する課題である。
OWLオントロジーの基本的なセマンティクスは、記述論理(DL)を用いて表現される。
埋め込みを生成する最初のアプローチは、オントロジーからグラフを構築することに依存し、そこでの論理のセマンティクスを無視した。
最近のセマンティック保存の埋め込み手法は、オントロジーにおいてより表現力のある情報を無視する$\mathcal{EL}^{++}$のような軽量なDL言語をターゲットにしていることが多い。
一部のアプローチは$\mathcal{ALC}$のようなより記述的なDLを埋め込むことを目的としているが、これらの手法は個人の存在を必要とする。
本稿では,概念記述の格子構造を考慮した$\mathcal{ALC}$ DL言語に対するオントロジー埋め込み法を提案する。
DLとカテゴリ理論の接続を用いて格子構造を具体化し,秩序保存型埋め込み法を用いて埋め込む。
本手法は,いくつかの知識ベース完了タスクにおいて,最先端の手法よりも優れていることを示す。
さらに,構築された格子内の情報を増加させる飽和処理をインコポレートする。
コードとデータは \url{https://github.com/bio-ontology-research-group/catE} で公開しています。
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。