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
- One Model, Any Conjunctive Query: Graph Neural Networks for Answering Complex Queries over Knowledge Graphs [7.34044245579928]
我々は,知識グラフ上の任意の共役クエリに対する回答を分類可能なグラフニューラルネットワークモデルであるAnyCQを提案する。
我々は、AnyCQが任意の構造を持つ大規模クエリに一般化できることを示し、既存のアプローチが失敗するサンプルに対する回答を確実に分類し、検索する。
論文 参考訳（メタデータ） (2024-09-21T00:30:44Z) - Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。
ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
論文 参考訳（メタデータ） (2023-05-04T16:04:41Z) - 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 [29.47155614953955]
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) - Inductive Logical Query Answering in Knowledge Graphs [30.220508024471595]
本研究では、新しいエンティティを含むグラフ上で推論を行う帰納的クエリ応答タスクについて検討する。
グラフニューラルネットワーク(GNN)を用いた帰納的ノードと関係構造表現の2つのメカニズムを考案する。
実験により、帰納的モデルは、学習ノードよりも最大500%大きいグラフに一般化した未確認ノードに対して、推論時間で論理的推論を行うことができることを示した。
論文 参考訳（メタデータ） (2022-10-13T03:53:34Z) - 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) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳（メタデータ） (2021-01-16T16:18:43Z) - 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。