論文の概要: Logic Diffusion for Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2306.03515v1
• Date: Tue, 6 Jun 2023 09:01:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 16:22:33.428132
• Title: Logic Diffusion for Knowledge Graph Reasoning
• Title（参考訳）: 知識グラフ推論のための論理拡散
• Authors: Xiaoying Xie, Biao Gong, Yiliang Lv, Zhen Han, Guoshuai Zhao, Xueming Qian
• Abstract要約: 本稿では,周辺環境から未知のクエリを発見するために,Logic Diffusion (LoD) と呼ばれるプラグインモジュールを提案する。 LoDは異なる種類のパターン間の動的平衡を達成する。 4つの公開データセットの実験は、LoDを用いた主流知識グラフ推論モデルの最先端性を示している。
• 参考スコア（独自算出の注目度）: 29.260922651325412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most recent works focus on answering first order logical queries to explore the knowledge graph reasoning via multi-hop logic predictions. However, existing reasoning models are limited by the circumscribed logical paradigms of training samples, which leads to a weak generalization of unseen logic. To address these issues, we propose a plug-in module called Logic Diffusion (LoD) to discover unseen queries from surroundings and achieves dynamical equilibrium between different kinds of patterns. The basic idea of LoD is relation diffusion and sampling sub-logic by random walking as well as a special training mechanism called gradient adaption. Besides, LoD is accompanied by a novel loss function to further achieve the robust logical diffusion when facing noisy data in training or testing sets. Extensive experiments on four public datasets demonstrate the superiority of mainstream knowledge graph reasoning models with LoD over state-of-the-art. Moreover, our ablation study proves the general effectiveness of LoD on the noise-rich knowledge graph.
• Abstract（参考訳）: 最近の研究は、マルチホップ論理予測によるナレッジグラフ推論を探求するために、一階の論理クエリに答えることに焦点を当てている。 しかし、既存の推論モデルはトレーニングサンプルの周囲の論理パラダイムによって制限されており、未知の論理の弱い一般化につながる。 これらの問題に対処するため,周辺から目に見えないクエリを発見し,異なるパターン間の動的平衡を実現するために,Logic Diffusion (LoD) と呼ばれるプラグインモジュールを提案する。 lodの基本的な考え方は、ランダムウォーキングによる関係拡散とサンプリングサブ論理、および勾配適応と呼ばれる特別な訓練機構である。 また、トレーニングやテストセットでノイズデータに直面した場合に、ロバストな論理拡散を達成するための新しい損失関数がlodに付随する。 4つの公開データセットに対する大規模な実験は、LoDを用いた主流知識グラフ推論モデルの最先端性を示している。 さらに, 雑音に富む知識グラフにおけるlodの汎用的有効性を示す。

関連論文リスト

• Neural Probabilistic Logic Learning for Knowledge Graph Reasoning [10.473897846826956]
  本稿では,知識グラフの正確な推論を実現するための推論フレームワークを設計することを目的とする。 本稿では,組込みネットワークの表現力を効果的に向上するスコアリングモジュールを提案する。 我々は,変分推論に基づくマルコフ論理ネットワークを組み込むことにより,モデルの解釈可能性を向上させる。
  論文  参考訳（メタデータ） (2024-07-04T07:45:46Z)
• PathReasoner: Modeling Reasoning Path with Equivalent Extension for Logical Question Answering [27.50008553118866]
  我々は、各論理サンプルを推論パスに変換することによって、論理推論タスクをモデル化する。 論理サンプルの多様性を高めるために,等価な論理式によって支持される原子拡張戦略を提案する。 実験により、PathReasonerは2つの論理的推論ベンチマークと大きな一般化能力で競合性能を達成することが示された。
  論文  参考訳（メタデータ） (2024-05-29T14:14:05Z)
• Understanding Reasoning Ability of Language Models From the Perspective of Reasoning Paths Aggregation [110.71955853831707]
  我々は、LMを、事前学習時に見られる間接的推論経路を集約することで、新たな結論を導出すると考えている。 我々は、推論経路を知識/推論グラフ上のランダムウォークパスとして定式化する。 複数のKGおよびCoTデータセットの実験と分析により、ランダムウォークパスに対するトレーニングの効果が明らかにされた。
  論文  参考訳（メタデータ） (2024-02-05T18:25:51Z)
• DetermLR: Augmenting LLM-based Logical Reasoning from Indeterminacy to Determinacy [76.58614128865652]
  非決定性から決定性への進化として推論過程を再考する新しい視点であるDetermLRを提案する。 まず、既知の条件を次の2つのタイプに分類する: 決定的および不決定的前提 これは、推論プロセスのオール方向を提供し、不決定的データを段階的決定的洞察に変換する際のLCMを導く。 我々は、利用可能な施設の保存と抽出、推論メモリによる推論パスの自動化、そしてその後の推論ステップに関する歴史的推論の詳細を保存する。
  論文  参考訳（メタデータ） (2023-10-28T10:05:51Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
  LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。 私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
  論文  参考訳（メタデータ） (2023-08-24T06:50:07Z)
• 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)
• Visual Abductive Reasoning [85.17040703205608]
  帰納的推論は、部分的な観察の可能な限りの可能な説明を求める。 本稿では,日常的な視覚的状況下でのマシンインテリジェンスの帰納的推論能力を調べるために,新たなタスクとデータセットであるVisual Abductive Reasoning(VAR)を提案する。
  論文  参考訳（メタデータ） (2022-03-26T10:17:03Z)
• Neural Logic Reasoning [47.622957656745356]
  本稿では,ディープラーニングと論理推論の能力を統合するために,論理統合ニューラルネットワーク(LINN)を提案する。 LINNは、神経モジュールとしてAND、OR、NOTなどの基本的な論理操作を学び、推論のためにネットワークを通して命題論理推論を行う。 実験の結果、LINNはTop-Kレコメンデーションにおいて最先端のレコメンデーションモデルを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-20T14:53:23Z)

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。