論文の概要: i-Align: an interpretable knowledge graph alignment model

• arxiv url: http://arxiv.org/abs/2308.13755v1
• Date: Sat, 26 Aug 2023 03:48:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 19:15:46.236414
• Title: i-Align: an interpretable knowledge graph alignment model
• Title（参考訳）: i-Align: 解釈可能な知識グラフアライメントモデル
• Authors: Bayu Distiawan Trisedya, Flora D Salim, Jeffrey Chan, Damiano Spina, Falk Scholer, Mark Sanderson
• Abstract要約: 知識グラフ(KG)は多くの下流アプリケーションにとって重要なリソースになりつつある。 この問題に対処する戦略の1つはKGアライメントであり、2つ以上のKGをマージすることでより完全なKGを形成する。 本稿では,解釈可能なKGアライメントモデルであるi-Alignを提案する。
• 参考スコア（独自算出の注目度）: 35.13345855672941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs (KGs) are becoming essential resources for many downstream applications. However, their incompleteness may limit their potential. Thus, continuous curation is needed to mitigate this problem. One of the strategies to address this problem is KG alignment, i.e., forming a more complete KG by merging two or more KGs. This paper proposes i-Align, an interpretable KG alignment model. Unlike the existing KG alignment models, i-Align provides an explanation for each alignment prediction while maintaining high alignment performance. Experts can use the explanation to check the correctness of the alignment prediction. Thus, the high quality of a KG can be maintained during the curation process (e.g., the merging process of two KGs). To this end, a novel Transformer-based Graph Encoder (Trans-GE) is proposed as a key component of i-Align for aggregating information from entities' neighbors (structures). Trans-GE uses Edge-gated Attention that combines the adjacency matrix and the self-attention matrix to learn a gating mechanism to control the information aggregation from the neighboring entities. It also uses historical embeddings, allowing Trans-GE to be trained over mini-batches, or smaller sub-graphs, to address the scalability issue when encoding a large KG. Another component of i-Align is a Transformer encoder for aggregating entities' attributes. This way, i-Align can generate explanations in the form of a set of the most influential attributes/neighbors based on attention weights. Extensive experiments are conducted to show the power of i-Align. The experiments include several aspects, such as the model's effectiveness for aligning KGs, the quality of the generated explanations, and its practicality for aligning large KGs. The results show the effectiveness of i-Align in these aspects.
• Abstract（参考訳）: 知識グラフ(KG)は多くの下流アプリケーションにとって重要なリソースになりつつある。 しかし、その不完全さは潜在能力を制限する可能性がある。 したがって、この問題を軽減するには継続的なキュレーションが必要である。 この問題に対処する戦略の1つは、KGアライメント、すなわち、2つ以上のKGをマージすることでより完全なKGを形成することである。 本稿では,解釈可能なKGアライメントモデルi-Alignを提案する。 既存のKGアライメントモデルとは異なり、i-Alignは高アライメント性能を維持しながら各アライメント予測の説明を提供する。 専門家はこの説明を使ってアライメント予測の正確性をチェックすることができる。 したがって、KGの高品質は、キュレーション過程(例えば、2つのKGのマージ過程)の間に維持することができる。 この目的のために、新しいトランスフォーマーベースのグラフエンコーダ(Trans-GE)が、エンティティの隣人(構造体)からの情報を集約するためのi-Alignのキーコンポーネントとして提案されている。 Trans-GEはエッジゲートアテンションを使用して、隣接行列と自己アテンション行列を組み合わせて、隣のエンティティから情報アグリゲーションを制御するゲーティングメカニズムを学ぶ。 また、履歴埋め込みを使用して、Trans-GEをミニバッチ(または小さなサブグラフ)でトレーニングし、大きなKGをエンコードする際のスケーラビリティの問題に対処する。 i-Alignのもうひとつのコンポーネントは、エンティティの属性を集約するTransformerエンコーダである。 このように、i-Alignは注意重みに基づく最も影響力のある属性/隣者の集合の形で説明を生成することができる。 i-アリンの力を示すために広範な実験が行われている。 実験には、モデルの有効性、生成した説明の質、大きなkgを調整するための実用性など、いくつかの側面が含まれている。 その結果,i-alignの有効性が示された。

関連論文リスト

• Decoding on Graphs: Faithful and Sound Reasoning on Knowledge Graphs through Generation of Well-Formed Chains [66.55612528039894]
  知識グラフ(KG)は質問応答(QA)のための信頼できる知識ソースとして機能する。 我々は、LLMとKGの深い相乗効果を促進する新しいフレームワークであるDoG(Decoding on Graphs)を提案する。 様々なKGQAタスクに対して異なるバックグラウンドKGを用いた実験により、DoGが優れた、堅牢なパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-24T04:01:40Z)
• Aligning Multiple Knowledge Graphs in a Single Pass [16.396492040719657]
  複数の知識グラフの整合性を解決するために,MultiEAという効果的なフレームワークを提案する。 特に,アライメント性能を向上させるために,革新的な推論拡張手法を提案する。 その結果,MultiEAは1回のパスで複数のKGを効果的かつ効率的にアライメントできることがわかった。
  論文  参考訳（メタデータ） (2024-08-01T15:58:05Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• MEKER: Memory Efficient Knowledge Embedding Representation for Link Prediction and Question Answering [65.62309538202771]
  知識グラフ(KG)は、事実を象徴的に構造化した記憶装置である。 KG埋め込みには、実世界の暗黙的な情報を必要とするNLPタスクで使用される簡潔なデータが含まれている。 リンク予測タスクとKGに基づく質問応答においてSOTAに比較可能な性能をもたらすメモリ効率のよいKG埋め込みモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:47:03Z)
• Multilingual Knowledge Graph Completion with Self-Supervised Adaptive Graph Alignment [69.41986652911143]
  知識グラフ(KG)における行方不明事象を予測するための,新たな自己教師付き適応グラフアライメント(SS-AGA)手法を提案する。 SS-AGAはすべてのKGをグラフ全体として新しいエッジタイプとしてアライメントする。 パブリック多言語DBPedia KGおよび新たに開発された産業多言語EコマースKGの実験は、SS-AGAの有効性を実証的に実証している。
  論文  参考訳（メタデータ） (2022-03-28T18:00:51Z)
• Sequence-to-Sequence Knowledge Graph Completion and Question Answering [8.207403859762044]
  既製のエンコーダ・デコーダ変換器モデルは,スケーラブルで汎用的なKGEモデルとして機能することを示す。 我々は,KGリンク予測をシーケンス・ツー・シーケンス・タスクとして用い,従来のKGE手法による3つのスコアリングアプローチを自己回帰復号化と交換することで,これを実現する。
  論文  参考訳（メタデータ） (2022-03-19T13:01:49Z)
• Link-Intensive Alignment for Incomplete Knowledge Graphs [28.213397255810936]
  本研究では,不完全KGと表現学習の整合性の問題に対処する。 我々のフレームワークは、推移性に基づく2つの特徴チャネルと近接性に基づく2つの特徴チャネルを利用する。 2つの特徴チャネルは、入力KG間で重要な特徴を交換するために共同で学習される。 また,学習過程中に欠落したリンクを検出し,回復するリンク検出装置も開発した。
  論文  参考訳（メタデータ） (2021-12-17T00:41:28Z)
• Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
  知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。 本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
  論文  参考訳（メタデータ） (2020-04-13T15:43:22Z)

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。