論文の概要: Simple Rule Injection for ComplEx Embeddings

• arxiv url: http://arxiv.org/abs/2308.03269v1
• Date: Mon, 7 Aug 2023 03:19:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 15:33:07.303876
• Title: Simple Rule Injection for ComplEx Embeddings
• Title（参考訳）: ComplEx 埋め込みのための単純なルール注入
• Authors: Haodi Ma, Anthony Colas, Yuejie Wang, Ali Sadeghian, Daisy Zhe Wang
• Abstract要約: 本稿では,単純な制約によって複数のルールを注入する機構であるInjExを提案する。 InjExは、解釈可能な事前知識を埋め込み空間に注入することを示した。 実験結果から,InjExはKGCモデルと特殊小ショットモデルの両方に優れることがわかった。
• 参考スコア（独自算出の注目度）: 7.19573352891936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent works in neural knowledge graph inference attempt to combine logic rules with knowledge graph embeddings to benefit from prior knowledge. However, they usually cannot avoid rule grounding, and injecting a diverse set of rules has still not been thoroughly explored. In this work, we propose InjEx, a mechanism to inject multiple types of rules through simple constraints, which capture definite Horn rules. To start, we theoretically prove that InjEx can inject such rules. Next, to demonstrate that InjEx infuses interpretable prior knowledge into the embedding space, we evaluate InjEx on both the knowledge graph completion (KGC) and few-shot knowledge graph completion (FKGC) settings. Our experimental results reveal that InjEx outperforms both baseline KGC models as well as specialized few-shot models while maintaining its scalability and efficiency.
• Abstract（参考訳）: ニューラルナレッジグラフ推論における最近の研究は、論理規則と知識グラフ埋め込みを組み合わせることで、事前知識の恩恵を受けている。 しかし、ルールの根拠付けは避けられず、様々なルールを注入することは、まだ徹底的に調査されていない。 本研究では,単純な制約を通した複数種類のルールを注入するメカニズムであるinjexを提案する。 まず、InjExがそのようなルールを注入できることを理論的に証明する。 次に,InjExが解釈可能な事前知識を埋め込み空間に注入することを示すために,知識グラフ補完(KGC)と少数ショット知識グラフ補完(FKGC)の設定の両方でInjExを評価する。 実験結果から,InjExはKGCモデルと,そのスケーラビリティと効率性を維持しつつ,特殊な数ショットモデルの両方に優れることがわかった。

関連論文リスト

• Learning Rules from KGs Guided by Language Models [48.858741745144044]
  ルール学習手法は、潜在的に欠落する事実を予測するために適用することができる。 規則のランク付けは、高度に不完全あるいは偏りのあるKGよりも特に難しい。 近年のLanguage Models (LM) の台頭により、いくつかの研究が、LMがKG補完の代替手段として利用できると主張している。
  論文  参考訳（メタデータ） (2024-09-12T09:27:36Z)
• Can LLMs Reason with Rules? Logic Scaffolding for Stress-Testing and Improving LLMs [87.34281749422756]
  大規模言語モデル(LLM)は、様々な推論タスクにおいて、印象的な人間的なパフォーマンスを実現している。 しかし、その根底にある推論規則の熟達性は、人間の能力に欠ける。 本稿では,推論ルールベースであるULogicを構築するための,推論ルール生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-18T03:38:51Z)
• ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
  そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。 具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。 生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
  論文  参考訳（メタデータ） (2023-09-04T11:38:02Z)
• Logical Entity Representation in Knowledge-Graphs for Differentiable Rule Learning [71.05093203007357]
  本稿では,知識グラフ内のエンティティのコンテキスト情報をエンコードするための論理エンティティ・リプレゼンテーション(LERP)を提案する。 LERPは、エンティティの隣接部分グラフ上の確率論的論理関数のベクトルとして設計されている。 我々のモデルは知識グラフ補完において他のルール学習法よりも優れており、最先端のブラックボックス法に匹敵する、あるいは優れている。
  論文  参考訳（メタデータ） (2023-05-22T05:59:22Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• Knowledge Reasoning via Jointly Modeling Knowledge Graphs and Soft Rules [17.301284626706856]
  知識グラフ補完法(KGC)は、ルールベースの推論と埋め込みベースの推論の2つの主要なカテゴリに分類される。 本稿では,ルールを注入し,反復的に表現を学習し,ルールと埋め込みを最大限に活用する手法を提案する。
  論文  参考訳（メタデータ） (2023-01-07T05:24:29Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• On the Effectiveness of Knowledge Graph Embeddings: a Rule Mining Approach [11.556969989963358]
  ルールマイニングによる知識グラフ完成のための知識グラフ埋め込み(KGE)の有効性について検討する。 より具体的には、抽出されたルールの違いを比較するために、KGEによって完了した前後のKGからルールを抽出する。 実験の結果,KG の完全化に対する KGE のアプローチによって,抽出したルールの間に大きな違いが生じることが示された。
  論文  参考訳（メタデータ） (2022-06-02T10:57:09Z)
• Theoretical Rule-based Knowledge Graph Reasoning by Connectivity Dependency Discovery [2.945948598480997]
  本稿では,複数のルールタイプを介して,グラフ内の接続依存性をキャプチャするルールベースの知識グラフ推論の理論を提案する。 その結果,ルールディクトモデルは新しい三重項を正確に解釈するだけでなく,1つのベンチマーク知識グラフ補完タスクにおける最先端のパフォーマンスも達成できることがわかった。
  論文  参考訳（メタデータ） (2020-11-12T03:00:20Z)
• Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
  本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。 GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。 オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
  論文  参考訳（メタデータ） (2020-03-13T00:32:46Z)

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。