論文の概要: Revisiting Inferential Benchmarks for Knowledge Graph Completion
- arxiv url: http://arxiv.org/abs/2306.04814v1
- Date: Wed, 7 Jun 2023 22:35:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 17:11:18.214351
- Title: Revisiting Inferential Benchmarks for Knowledge Graph Completion
- Title(参考訳): 知識グラフ補完のための推論ベンチマークの再検討
- Authors: Shuwen Liu, Bernardo Cuenca Grau, Ian Horrocks, Egor V. Kostylev
- Abstract要約: 知識グラフ(KG)補完のための機械学習アプローチの主な特徴は、推論パターンを学習する能力である。
標準補完ベンチマークは、パターンを学習するモデルの能力を評価するのに適していない。
以下の原理に基づいて,KG完了ベンチマークを設計するための新しい手法を提案する。
- 参考スコア(独自算出の注目度): 29.39724559354927
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge Graph (KG) completion is the problem of extending an incomplete KG
with missing facts. A key feature of Machine Learning approaches for KG
completion is their ability to learn inference patterns, so that the predicted
facts are the results of applying these patterns to the KG. Standard completion
benchmarks, however, are not well-suited for evaluating models' abilities to
learn patterns, because the training and test sets of these benchmarks are a
random split of a given KG and hence do not capture the causality of inference
patterns. We propose a novel approach for designing KG completion benchmarks
based on the following principles: there is a set of logical rules so that the
missing facts are the results of the rules' application; the training set
includes both premises matching rule antecedents and the corresponding
conclusions; the test set consists of the results of applying the rules to the
training set; the negative examples are designed to discourage the models from
learning rules not entailed by the rule set. We use our methodology to generate
several benchmarks and evaluate a wide range of existing KG completion systems.
Our results provide novel insights on the ability of existing models to induce
inference patterns from incomplete KGs.
- Abstract(参考訳): 知識グラフ(KG)の完備化は、不完全なKGを不足した事実で拡張する問題である。
KG完了のための機械学習アプローチの重要な特徴は、推論パターンを学習する能力であり、予測された事実は、これらのパターンをKGに適用する結果である。
しかしながら、標準補完ベンチマークは、与えられたKGのランダムな分割であり、従って推論パターンの因果関係を捉えないため、パターンを学習するモデルの能力を評価するのに適していない。
そこで本研究では,KG完了ベンチマークを設計するための新しい手法を提案する。ルールの応用結果であるような論理的ルールのセット,ルールの先行する前提マッチングルールとそれに対応する結論を含むトレーニングセット,ルールをトレーニングセットに適用した結果からなるテストセット,負の例は,ルールセットに関連付けられていない学習ルールからモデルを排除するように設計されている。
我々は,提案手法を用いて,複数のベンチマークを生成し,既存のKG補完システムを広範囲に評価する。
本研究は,既存のモデルが不完全なkgsから推論パターンを誘導する能力に関する新たな知見を提供する。
関連論文リスト
- Generalized Logit Adjustment: Calibrating Fine-tuned Models by Removing
Label Bias in Foundation Models [82.97464914554402]
CLIPのようなファンデーションモデルは、追加のトレーニングデータなしで、さまざまなタスクでゼロショット転送を可能にする。
微調整やアンサンブルも一般的に下流のタスクに合うように採用されている。
しかし、先行研究は基礎モデルに固有のバイアスを見落としていると論じる。
論文 参考訳(メタデータ) (2023-10-12T08:01:11Z) - Understanding prompt engineering may not require rethinking
generalization [56.38207873589642]
言語モデルによって与えられるPAC-Bayesと組み合わさったプロンプトの離散的性質は、文献の標準によって非常に厳密な一般化境界をもたらすことを示す。
この研究は、プロンプトエンジニアリングの広範な実践を正当化する可能性がある。
論文 参考訳(メタデータ) (2023-10-06T00:52:48Z) - KGxBoard: Explainable and Interactive Leaderboard for Evaluation of
Knowledge Graph Completion Models [76.01814380927507]
KGxBoardは、データの意味のあるサブセットを詳細に評価するためのインタラクティブなフレームワークである。
実験では,KGxBoardを用いることで,標準平均シングルスコアメトリクスでは検出が不可能であったことを強調した。
論文 参考訳(メタデータ) (2022-08-23T15:11:45Z) - Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。
提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
論文 参考訳(メタデータ) (2022-02-22T01:34:35Z) - MPLR: a novel model for multi-target learning of logical rules for
knowledge graph reasoning [5.499688003232003]
本研究では,知識グラフに基づく推論のための論理規則の学習問題について検討する。
本稿では,学習データを完全に活用するために既存のモデルを改善するMPLRと呼ばれるモデルを提案する。
実験結果は,MPLRモデルが5つのベンチマークデータセット上で最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2021-12-12T09:16:00Z) - Improving Knowledge Graph Representation Learning by Structure
Contextual Pre-training [9.70121995251553]
本稿では,知識グラフ表現学習のための学習前処理フレームワークを提案する。
KGモデルは3つの分類タスクで事前訓練され、続いて特定の下流タスクで識別的微調整が行われる。
実験結果から, 微調整SCoPは下流タスクのポートフォリオにおけるベースラインの結果を上回るだけでなく, 面倒なタスク固有のモデル設計やパラメータトレーニングを回避していることがわかった。
論文 参考訳(メタデータ) (2021-12-08T02:50:54Z) - EngineKGI: Closed-Loop Knowledge Graph Inference [37.15381932994768]
EngineKGIは、新しいクローズドループKG推論フレームワークである。
KGEとルール学習を組み合わせて、クローズドループパターンで相互に補完する。
我々のモデルはリンク予測タスクにおいて、他のベースラインよりも優れています。
論文 参考訳(メタデータ) (2021-12-02T08:02:59Z) - The MultiBERTs: BERT Reproductions for Robustness Analysis [86.29162676103385]
事前トレーニングの再実行は、パフォーマンスに関して、かなり異なる結論をもたらす可能性がある。
我々は25個のBERTベースのチェックポイントの集合であるMultiBERTを紹介する。
目標は、研究者が事前訓練の手順について、堅牢で統計的に正当化された結論を描けるようにすることである。
論文 参考訳(メタデータ) (2021-06-30T15:56:44Z) - A Hybrid Model for Learning Embeddings and Logical Rules Simultaneously
from Knowledge Graphs [20.438750956142638]
高品質なルールと埋め込みを同時に学習するハイブリッドモデルを開発した。
提案手法は相互フィードバックのパラダイムを用いて,ルールマイニングシステムの探索と新たな事実の推測を行うための埋め込みモデルを用いている。
論文 参考訳(メタデータ) (2020-09-22T20:29:27Z) - Pre-training Is (Almost) All You Need: An Application to Commonsense
Reasoning [61.32992639292889]
事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。
そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。
提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
論文 参考訳(メタデータ) (2020-04-29T10:54:40Z)
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。