論文の概要: On the Aggregation of Rules for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2309.00306v1
• Date: Fri, 1 Sep 2023 07:32:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-04 14:10:26.209993
• Title: On the Aggregation of Rules for Knowledge Graph Completion
• Title（参考訳）: 知識グラフ完成のための規則の集約について
• Authors: Patrick Betz, Stefan L\"udtke, Christian Meilicke, Heiner Stuckenschmidt
• Abstract要約: 知識グラフ補完のためのルール学習アプローチは、純粋にニューラルモデルに対して効率的、解釈可能、競争的である。 既存のアグリゲーションアプローチは,予測ルールよりも限界推論操作として表現できることを示す。 本稿では,従来の戦略を組み合わさり,計算上より高価なアプローチと競合する,効率的で見落とされがちなベースラインを提案する。
• 参考スコア（独自算出の注目度）: 9.628032156001069
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rule learning approaches for knowledge graph completion are efficient, interpretable and competitive to purely neural models. The rule aggregation problem is concerned with finding one plausibility score for a candidate fact which was simultaneously predicted by multiple rules. Although the problem is ubiquitous, as data-driven rule learning can result in noisy and large rulesets, it is underrepresented in the literature and its theoretical foundations have not been studied before in this context. In this work, we demonstrate that existing aggregation approaches can be expressed as marginal inference operations over the predicting rules. In particular, we show that the common Max-aggregation strategy, which scores candidates based on the rule with the highest confidence, has a probabilistic interpretation. Finally, we propose an efficient and overlooked baseline which combines the previous strategies and is competitive to computationally more expensive approaches.
• Abstract（参考訳）: 知識グラフ補完のためのルール学習アプローチは、純粋に神経モデルに対して効率的、解釈可能、競争的である。 ルール集約問題は、複数のルールによって同時に予測された候補事実に対する1つの妥当性スコアを求めることに関わる。 この問題はユビキタスであるが、データ駆動型ルール学習は、ノイズと大きなルールセットをもたらす可能性があるため、文献やその理論的基礎は、この文脈では研究されていない。 本研究では,既存のアグリゲーション手法を予測規則よりも辺縁推論演算として表現できることを実証する。 特に、最も信頼度の高い規則に基づいて候補を採点する共通Max-aggregation戦略が確率論的解釈を持つことを示す。 最後に,従来の戦略を組み合わせ,計算コストの高いアプローチと競合する,効率的で見過ごされたベースラインを提案する。

関連論文リスト

• Bounds on the Generalization Error in Active Learning [0.0]
  一般化誤差に上限の族を導出することにより,能動的学習のための経験的リスク原理を確立する。 我々は,多種多様な能動学習シナリオを体系的にリンクし,それらの損失関数と仮説クラスを対応する上界に関連付ける。 この結果から,様々な仮説クラスの複雑性を制約するために用いられる正規化手法は,境界の妥当性を確保するのに十分な条件であることが示唆された。
  論文  参考訳（メタデータ） (2024-09-10T08:08:09Z)
• Probabilistic Truly Unordered Rule Sets [4.169915659794567]
  真に順序のない規則集合に対するTURSを提案する。 我々はルールセットの確率的特性を利用して、類似した確率的出力を持つ場合のみ規則が重複することを許すという直観を生かしている。 我々は,幅広いルールベースの手法に対してベンチマークを行い,モデルの複雑さを低くし,高い競争力のある予測性能を持つルールセットを学習できることを実証した。
  論文  参考訳（メタデータ） (2024-01-18T12:03:19Z)
• A Voting Approach for Explainable Classification with Rule Learning [0.0]
  両世界を組み合わせた投票方式を導入し,その成果を(説明不能な)最先端手法として実現することを目的とする。 我々は,本手法が通常のルール学習法より明らかに優れているだけでなく,最先端の結果と同等の結果が得られることを証明した。
  論文  参考訳（メタデータ） (2023-11-13T13:22:21Z)
• 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)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Machine Learning with Probabilistic Law Discovery: A Concise Introduction [77.34726150561087]
  Probabilistic Law Discovery (PLD) は、確率論的ルール学習の変種を実装した論理ベースの機械学習手法である。 PLDはDecision Tree/Random Forestメソッドに近いが、関連するルールの定義方法に大きく異なる。 本稿はPLDの主な原則を概説し、その利点と限界を強調し、いくつかのアプリケーションガイドラインを提供する。
  論文  参考訳（メタデータ） (2022-12-22T17:40:13Z)
• Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
  我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。 この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-26T21:02:09Z)
• 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)
• Efficient Learning of Interpretable Classification Rules [34.27987659227838]
  本稿では,命題論理で表現可能な分類規則に対して,最大満足度(MaxSAT)に基づく解釈可能な学習フレームワークIMLIを提案する。 我々の実験では,IMLIは予測精度,解釈可能性,スケーラビリティの最良のバランスを達成している。
  論文  参考訳（メタデータ） (2022-05-14T00:36:38Z)
• 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)
• RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
  本稿では知識グラフに基づく推論のための論理規則の学習について研究する。 論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。 既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
  論文  参考訳（メタデータ） (2020-10-08T14:47:02Z)

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。