論文の概要: A neuro-symbolic framework for answering conjunctive queries
- arxiv url: http://arxiv.org/abs/2310.04598v1
- Date: Fri, 6 Oct 2023 21:31:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 17:17:07.199422
- Title: A neuro-symbolic framework for answering conjunctive queries
- Title(参考訳): 結合クエリ応答のためのニューロシンボリックフレームワーク
- Authors: Pablo Barcel\'o, Tamara Cucumides, Floris Geerts, Juan Reutter, Miguel
Romero
- Abstract要約: 不完全知識グラフ上で任意の接続クエリに応答するフレームワークを提案する。
我々の近似は、完全である、偽陰性がない、最適である、木のようなクエリを使って可能な限りの近似を提供する、という強い保証を達成する。
- 参考スコア(独自算出の注目度): 5.548544527319524
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of answering logical queries over incomplete knowledge graphs is
receiving significant attention in the machine learning community.
Neuro-symbolic models are a promising recent approach, showing good performance
and allowing for good interpretability properties. These models rely on trained
architectures to execute atomic queries, combining them with modules that
simulate the symbolic operators in queries. Unfortunately, most neuro-symbolic
query processors are limited to the so-called tree-like logical queries that
admit a bottom-up execution, where the leaves are constant values or anchors,
and the root is the target variable. Tree-like queries, while expressive, fail
short to express properties in knowledge graphs that are important in practice,
such as the existence of multiple edges between entities or the presence of
triangles.
We propose a framework for answering arbitrary conjunctive queries over
incomplete knowledge graphs. The main idea of our method is to approximate a
cyclic query by an infinite family of tree-like queries, and then leverage
existing models for the latter. Our approximations achieve strong guarantees:
they are complete, i.e. there are no false negatives, and optimal, i.e. they
provide the best possible approximation using tree-like queries. Our method
requires the approximations to be tree-like queries where the leaves are
anchors or existentially quantified variables. Hence, we also show how some of
the existing neuro-symbolic models can handle these queries, which is of
independent interest. Experiments show that our approximation strategy achieves
competitive results, and that including queries with existentially quantified
variables tends to improve the general performance of these models, both on
tree-like queries and on our approximation strategy.
- Abstract(参考訳): 不完全なナレッジグラフ上で論理クエリに応答する問題は、機械学習コミュニティで大きな注目を集めている。
ニューロシンボリックモデル(Neuro-symbolic model)は、優れた性能を示し、優れた解釈可能性特性を実現する、有望な最近のアプローチである。
これらのモデルは、アトミッククエリを実行するために訓練されたアーキテクチャに依存しており、クエリのシンボリック演算子をシミュレートするモジュールと組み合わせている。
残念ながら、ほとんどのニューロシンボリッククエリプロセッサは、ボトムアップ実行を許容するいわゆるツリーライクな論理クエリに限られており、葉は定数値またはアンカーであり、根はターゲット変数である。
木のようなクエリは表現的ではあるが、エンティティ間の複数エッジの存在や三角形の存在など、実際には重要な知識グラフのプロパティを表現するのに失敗する。
不完全知識グラフ上で任意の接続クエリに応答するフレームワークを提案する。
本手法の主な考え方は,木のような無限列のクエリによって循環的なクエリを近似し,既存のモデルを活用することである。
我々の近似は、完全である、偽陰性がない、最適である、木のようなクエリを使って可能な限りの近似を提供する、という強い保証を達成する。
本手法では,葉がアンカーあるいは存在量化された変数である木のような問い合わせを近似に要求する。
したがって、既存のニューロシンボリックモデルがこれらのクエリを処理できることも示しており、これは独立した関心事である。
実験により,我々の近似戦略は競合的な結果を得ることができ,実数量化変数を含むクエリは,木のようなクエリと近似戦略の両方において,これらのモデルの一般的な性能を改善する傾向にあることが示された。
関連論文リスト
- Neural Graph Reasoning: Complex Logical Query Answering Meets Graph
Databases [63.96793270418793]
複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。
ニューラルグラフデータベース(NGDB)の概念を紹介する。
NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
論文 参考訳(メタデータ) (2023-03-26T04:03:37Z) - Modeling Relational Patterns for Logical Query Answering over Knowledge
Graphs [20.92043251523278]
そこで我々は,複雑な空間における回転により,クエリ領域を幾何学的円錐と代数的クエリ演算子として定義する新しいクエリ埋め込み手法RoConEを開発した。
いくつかのベンチマークデータセットに対する実験結果から,論理的問合せ処理の強化のための関係パターンの利点が確認された。
論文 参考訳(メタデータ) (2023-03-21T13:59:15Z) - Logical Message Passing Networks with One-hop Inference on Atomic
Formulas [57.47174363091452]
本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。
クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。
我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
論文 参考訳(メタデータ) (2023-01-21T02:34:06Z) - Neural Methods for Logical Reasoning Over Knowledge Graphs [14.941769519278745]
知識グラフ(KGs)上でのマルチホップ論理的クエリの応答に焦点をあてる。
これまでのほとんどの作業では、FOL(First-Order Logical)クエリを完全に受け入れるモデルを作成することができなかった。
本稿では,ニューラルネットワークを用いて一点ベクトル埋め込みを生成し,問合せに答えるモデルを提案する。
論文 参考訳(メタデータ) (2022-09-28T23:10:09Z) - Improving Text-to-SQL Semantic Parsing with Fine-grained Query
Understanding [84.04706075621013]
トークンレベルのきめ細かいクエリ理解に基づく汎用的モジュール型ニューラルネットワーク解析フレームワークを提案する。
我々のフレームワークは、名前付きエンティティ認識(NER)、ニューラルエンティティリンカ(NEL)、ニューラルエンティティリンカ(NSP)の3つのモジュールから構成されている。
論文 参考訳(メタデータ) (2022-09-28T21:00:30Z) - Neural-Symbolic Entangled Framework for Complex Query Answering [22.663509971491138]
複雑な問合せ応答のためのニューラル・アンド・エンタングルド・フレームワーク(ENeSy)を提案する。
これにより、ニューラルネットワークとシンボリック推論が互いに強化され、カスケードエラーとKGの不完全性が軽減される。
ENeSyは、特にリンク予測タスクのみでトレーニングモデルの設定において、いくつかのベンチマークでSOTA性能を達成する。
論文 参考訳(メタデータ) (2022-09-19T06:07:10Z) - Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。
提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
論文 参考訳(メタデータ) (2022-02-22T01:34:35Z) - ConE: Cone Embeddings for Multi-Hop Reasoning over Knowledge Graphs [73.86041481470261]
Cone Embeddings (ConE) は、接続、解離、否定を扱える最初の幾何学ベースのクエリ埋め込みモデルである。
ConEは、ベンチマークデータセットの既存の最先端メソッドを大幅に上回る。
論文 参考訳(メタデータ) (2021-10-26T14:04:02Z) - Logic Embeddings for Complex Query Answering [56.25151854231117]
skolemisationを用いて効率的なクエリのための存在変数を排除する、複雑なクエリを組み込む新しいアプローチであるlogic embeddedsを提案する。
論理組込みは,大規模で不完全な知識グラフ上でのクエリ応答において競争的に高速かつ正確であり,否定的問合せよりも優れており,特に回答の不確かさのモデリングが向上している。
論文 参考訳(メタデータ) (2021-02-28T07:52:37Z) - Complex Query Answering with Neural Link Predictors [13.872400132315988]
不完全な知識グラフ上で複雑なクエリを効率的に応答するフレームワークを提案する。
我々は、各クエリをエンドツーエンドの微分可能な目的に翻訳し、各原子の真理値が事前学習されたニューラルネットワーク予測器によって計算される。
実験では,提案手法は最先端手法よりも精度の高い結果が得られる。
論文 参考訳(メタデータ) (2020-11-06T16:20:49Z) - Message Passing Query Embedding [4.035753155957698]
本稿では,クエリのグラフ表現を符号化するグラフニューラルネットワークを提案する。
モデルは、明示的な監督なしにエンティティタイプの概念を捉えたエンティティ埋め込みを学習することを示します。
論文 参考訳(メタデータ) (2020-02-06T17:40:01Z)
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。