論文の概要: KGEx: Explaining Knowledge Graph Embeddings via Subgraph Sampling and Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2310.01065v1
• Date: Mon, 2 Oct 2023 10:20:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 22:35:25.104280
• Title: KGEx: Explaining Knowledge Graph Embeddings via Subgraph Sampling and Knowledge Distillation
• Title（参考訳）: KGEx: サブグラフサンプリングと知識蒸留による知識グラフ埋め込みの説明
• Authors: Vasileios Baltatzis, Luca Costabello
• Abstract要約: 我々は、代理モデル研究からインスピレーションを得て、個々のリンク予測を説明する新しい方法であるKGExを提案する。 予測対象の三重項が与えられた場合、KGExは重要な三重項を特定するために使用するKGEモデルをシュロゲートする。 我々は、KGExがブラックボックスモデルに忠実な説明を提供することができることを示すために、2つの公開データセットに関する広範な実験を行った。
• 参考スコア（独自算出の注目度）: 6.332573781489264
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Despite being the go-to choice for link prediction on knowledge graphs, research on interpretability of knowledge graph embeddings (KGE) has been relatively unexplored. We present KGEx, a novel post-hoc method that explains individual link predictions by drawing inspiration from surrogate models research. Given a target triple to predict, KGEx trains surrogate KGE models that we use to identify important training triples. To gauge the impact of a training triple, we sample random portions of the target triple neighborhood and we train multiple surrogate KGE models on each of them. To ensure faithfulness, each surrogate is trained by distilling knowledge from the original KGE model. We then assess how well surrogates predict the target triple being explained, the intuition being that those leading to faithful predictions have been trained on impactful neighborhood samples. Under this assumption, we then harvest triples that appear frequently across impactful neighborhoods. We conduct extensive experiments on two publicly available datasets, to demonstrate that KGEx is capable of providing explanations faithful to the black-box model.
• Abstract（参考訳）: 知識グラフのリンク予測のための選択肢として、知識グラフ埋め込み(KGE)の解釈可能性の研究は、比較的研究されていない。 本研究では,サロゲートモデルの研究から着想を得て,個々のリンク予測を説明する新しいポストホック手法であるkgexを提案する。 予測対象トリプルが与えられると、kgexは重要なトレーニングトリプルを特定するために使用するkgeモデルをサロゲートする。 トレーニング三重項の影響を評価するため,対象三重項のランダムな部分をサンプリングし,それぞれに複数の代理KGEモデルを訓練する。 忠実性を確保するため、各サロゲートは元のKGEモデルから知識を蒸留することによって訓練される。 次に, 対象の3倍体がどの程度の確率で説明され, 忠実な予測を導いたものが, 影響のある近隣のサンプルに基づいて訓練されているかを評価する。 この仮定の下で、衝突の多い地区で頻繁に現れるトリプルを収穫する。 我々は2つの公開データセットについて広範な実験を行い、kgexがブラックボックスモデルに忠実な説明を提供できることを示す。

関連論文リスト

• Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation [51.47994645529258]
  Few-shot Knowledge Graph (KG) Reasoningは、KGにおける稀な関係に対して、目に見えない三つ子(すなわちクエリ三つ子)を予測することを目的としている。 本稿では,種々のサブグラフに文脈化グラフの情報を効果的に適応させる手法であるSAFER(Subgraph Adaptation for Few-shot Reasoning)を提案する。
  論文  参考訳（メタデータ） (2024-06-19T21:40:35Z)
• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• CausE: Towards Causal Knowledge Graph Embedding [13.016173217017597]
  知識グラフ埋め込み(KGE)は、知識グラフ(KG)の連続ベクトル空間への実体と関係を表現することに焦点を当てている。 我々はKGEの新しいパラダイムを因果関係と非絡み込みの文脈で構築する。 本稿では,CausE(Causality Enhanced Knowledge Graph Embedding)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-21T14:25:39Z)
• Multi-Aspect Explainable Inductive Relation Prediction by Sentence Transformer [60.75757851637566]
  本稿では,モデル学習に先立って信頼できない経路をフィルタリングし,モデル性能を高めるための関係経路カバレッジと関係経路信頼の概念を紹介する。 知識グラフにおける帰納関係を予測するために,知識推論文変換器(KRST)を提案する。
  論文  参考訳（メタデータ） (2023-01-04T15:33:49Z)
• Explaining Link Predictions in Knowledge Graph Embedding Models with Influential Examples [8.892798396214065]
  本稿では,知識グラフ埋め込み(KGE)モデルにおけるリンク予測の説明問題について検討する。 本稿では,知識グラフにおけるノードとエッジの潜在空間表現を利用して予測を記述した例に基づく手法を提案する。
  論文  参考訳（メタデータ） (2022-12-05T23:19:02Z)
• Knowledge Graph Completion with Pre-trained Multimodal Transformer and Twins Negative Sampling [13.016173217017597]
  本稿では,VBKGC(VisualBERT-enhanced Knowledge Graph Completion Model)を提案する。 VBKGCは、エンティティの深く融合したマルチモーダル情報をキャプチャし、それらをKGCモデルに統合することができる。 リンク予測タスクにおいて,VBKGCの優れた性能を示すため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-09-15T06:50:31Z)
• Repurposing Knowledge Graph Embeddings for Triple Representation via Weak Supervision [77.34726150561087]
  現在の方法では、事前訓練されたモデルからの実体と述語埋め込みを使わずに、スクラッチから三重埋め込みを学習する。 本研究では,知識グラフからトリプルを自動抽出し,事前学習した埋め込みモデルからそれらのペアの類似性を推定する手法を開発した。 これらのペアの類似度スコアは、細い三重表現のためにシームズ様のニューラルネットワークに供給される。
  論文  参考訳（メタデータ） (2022-08-22T14:07:08Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• CAKE: A Scalable Commonsense-Aware Framework For Multi-View Knowledge Graph Completion [43.172893405453266]
  従来の知識グラフの埋め込み技術は、不正なネガティブサンプリングとファクトビューリンク予測の不確実性に悩まされている。 本稿では,現実の3重項から実体概念を自動抽出する,新規でスケーラブルなCommonsense-Aware Knowledge Embedding (CAKE)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-25T03:30:22Z)
• How Does Knowledge Graph Embedding Extrapolate to Unseen Data: a Semantic Evidence View [13.575052133743505]
  我々は,知識グラフ埋め込み(KGE)が未知のデータにどのように当てはまるかを研究する。 また,セマンティック・エビデンス・アウェアメント・グラフニューラルネット(SE-GNN)と呼ばれる新しいGNNベースのKGEモデルを提案する。
  論文  参考訳（メタデータ） (2021-09-24T08:17:02Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)

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。