論文の概要: Explainable Representations for Relation Prediction in Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2306.12687v1
- Date: Thu, 22 Jun 2023 06:18:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-23 15:15:53.435369
- Title: Explainable Representations for Relation Prediction in Knowledge Graphs
- Title（参考訳）: 知識グラフにおける関係予測のための説明可能表現
- Authors: Rita T. Sousa, Sara Silva, Catia Pesquita
- Abstract要約: 本稿では、知識グラフにおける関係予測を支援するための説明可能な表現のための新しいアプローチであるSEEKを提案する。
それは、エンティティと各サブグラフの学習表現の間の関連する共有意味的側面を識別することに基づいている。
本研究では,タンパク質間相互作用予測と遺伝子発現関連予測の2つの実世界の関係予測タスクについてSEEKを評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge graphs represent real-world entities and their relations in a
semantically-rich structure supported by ontologies. Exploring this data with
machine learning methods often relies on knowledge graph embeddings, which
produce latent representations of entities that preserve structural and local
graph neighbourhood properties, but sacrifice explainability. However, in tasks
such as link or relation prediction, understanding which specific features
better explain a relation is crucial to support complex or critical
applications.
We propose SEEK, a novel approach for explainable representations to support
relation prediction in knowledge graphs. It is based on identifying relevant
shared semantic aspects (i.e., subgraphs) between entities and learning
representations for each subgraph, producing a multi-faceted and explainable
representation.
We evaluate SEEK on two real-world highly complex relation prediction tasks:
protein-protein interaction prediction and gene-disease association prediction.
Our extensive analysis using established benchmarks demonstrates that SEEK
achieves significantly better performance than standard learning representation
methods while identifying both sufficient and necessary explanations based on
shared semantic aspects.
- Abstract（参考訳）: 知識グラフは実世界の実体とその関係をオントロジーによって支えられた意味豊かな構造で表現する。
このデータを機械学習手法で探索することは、しばしば知識グラフの埋め込みに依存し、構造的および局所的なグラフ近傍のプロパティを保持するエンティティの潜在表現を生成するが、説明責任を犠牲にする。
しかし、リンクや関係予測のようなタスクでは、複雑なアプリケーションや重要なアプリケーションをサポートするために、どの特定の特徴が関係をよりよく説明するかを理解することが不可欠である。
本稿では,知識グラフにおける関係予測を支援する新しい表現法である seek を提案する。
エンティティ間の関連する共有意味的側面(すなわちサブグラフ)と、各サブグラフの学習表現を識別し、多面的かつ説明可能な表現を生成する。
本研究では,タンパク質間相互作用予測と遺伝子発現関連予測の2つの実世界の高度に複雑な関係予測タスクについてSEEKを評価する。
確立されたベンチマークを用いた広範囲な分析により,SEEKは標準的な学習表現法よりもはるかに優れた性能を示し,共有の意味的側面に基づく十分な説明と必要な説明の両方を同定する。
関連論文リスト
- S$^2$GSL: Incorporating Segment to Syntactic Enhanced Graph Structure Learning for Aspect-based Sentiment Analysis [19.740223755240734]
ABSAのための構文強化グラフ構造学習にセグメンテーションを取り入れた2$GSLを提案する。
S$2$GSLはセグメント対応セマンティックグラフ学習と構文ベースの潜在グラフ学習を備えている。
論文 参考訳（メタデータ） (2024-06-05T03:44:35Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。
単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
論文 参考訳（メタデータ） (2022-06-09T16:24:01Z) - Learning Attention-based Representations from Multiple Patterns for
Relation Prediction in Knowledge Graphs [2.4028383570062606]
AEMPは、エンティティのコンテキスト情報を取得することによって、コンテキスト化された表現を学習するための新しいモデルである。
AEMPは、最先端の関係予測手法よりも優れるか、競合する。
論文 参考訳（メタデータ） (2022-06-07T10:53:35Z) - Learning Representations of Entities and Relations [0.0]
この論文は,リンク予測タスクに取り組むことを目的とした知識グラフ表現の改善に焦点を当てている。
最初のコントリビューションはHypERであり、リンク予測性能を単純化し改善する畳み込みモデルである。
第2のコントリビューションは比較的単純な線形モデルであるTuckERで、このモデルが導入された時点では、最先端のリンク予測性能が得られた。
第3の貢献は、双曲空間に埋め込まれた最初のマルチリレーショナルグラフ表現モデルである MuRP である。
論文 参考訳（メタデータ） (2022-01-31T09:24:43Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳（メタデータ） (2022-01-13T08:25:53Z) - Heterogeneous Graph Representation Learning with Relation Awareness [45.14314180743549]
我々は,不均一グラフ上のノード表現をきめ細かいレベルで学習するために,R-HGNN(Relation-Aware Heterogeneous Graph Neural Network)を提案する。
専用グラフ畳み込みコンポーネントは、まず、関係性固有のグラフからユニークなノード表現を学習するために設計されている。
異なる関係をまたいだノード表現の相互作用を改善するために,クロスリレーションメッセージパッシングモジュールが開発された。
論文 参考訳（メタデータ） (2021-05-24T07:01:41Z) - Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。
本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文 参考訳（メタデータ） (2021-03-29T14:37:35Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳（メタデータ） (2021-01-16T16:18:43Z) - DisenE: Disentangling Knowledge Graph Embeddings [33.169388832519]
DisenEは、非絡み合いの知識グラフの埋め込みを学習するためのエンドツーエンドフレームワークである。
我々は,モデルが与えられた関係に応じて,エンティティ埋め込みの関連コンポーネントに明示的に焦点を絞ることができるように,注意に基づく機構を導入する。
論文 参考訳（メタデータ） (2020-10-28T03:45:19Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳（メタデータ） (2020-06-29T01:01:42Z)
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。