Fugu-MT 論文翻訳(概要): Knowledge Graph Error Detection with Contrastive Confidence Adaption

論文の概要: Knowledge Graph Error Detection with Contrastive Confidence Adaption

arxiv url: http://arxiv.org/abs/2312.12108v1
Date: Tue, 19 Dec 2023 12:32:27 GMT
ステータス: 処理完了
システム内更新日: 2023-12-20 15:38:17.581689
Title: Knowledge Graph Error Detection with Contrastive Confidence Adaption
Title（参考訳）: コントラスト信頼適応による知識グラフ誤り検出
Authors: Xiangyu Liu and Yang Liu and Wei Hu
Abstract要約: テキストとグラフの構造情報を三重項再構成から統合し,セマンティクスをよりよく区別するKG誤り検出モデルCCAを提案する。 CCAは最先端のベースラインより優れていることを示す実験結果が得られた。
参考スコア（独自算出の注目度）: 26.387650530875007
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Knowledge graphs (KGs) often contain various errors. Previous works on detecting errors in KGs mainly rely on triplet embedding from graph structure. We conduct an empirical study and find that these works struggle to discriminate noise from semantically-similar correct triplets. In this paper, we propose a KG error detection model CCA to integrate both textual and graph structural information from triplet reconstruction for better distinguishing semantics. We design interactive contrastive learning to capture the differences between textual and structural patterns. Furthermore, we construct realistic datasets with semantically-similar noise and adversarial noise. Experimental results demonstrate that CCA outperforms state-of-the-art baselines, especially in detecting semantically-similar noise and adversarial noise.
Abstract（参考訳）: 知識グラフ(KG)は、しばしば様々な誤りを含む。 KGの誤り検出に関するこれまでの研究は主にグラフ構造からの三重項埋め込みに依存していた。我々は経験的な研究を行い、これらの作品が、意味的に類似した正しい三重項からノイズを区別するのに苦労していることを発見した。本稿では,テキストとグラフの構造情報を三重項再構成から統合し,セマンティクスをよりよく区別するKG誤り検出モデルCCAを提案する。テキストと構造パターンの違いを捉えるために,対話型コントラスト学習を設計する。さらに,意味的に類似する雑音や逆雑音を伴う現実的なデータセットを構築する。実験結果から,CCAは最先端のベースライン,特に意味的相似ノイズや対向ノイズの検出に優れていた。

関連論文リスト

Towards Context-Aware Emotion Recognition Debiasing from a Causal Demystification Perspective via De-confounded Training [14.450673163785094]
文脈認識感情認識(CAER)は、対象者の感情を認識するための貴重な意味的手がかりを提供する。現在のアプローチは、コンテキストから知覚的に重要な表現を抽出する洗練された構造を設計することに集中している。共同設立者を非難するためのCCIM(Contextual Causal Intervention Module)を提案する。
論文参考訳（メタデータ） (2024-07-06T05:29:02Z)
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)
Improving the Robustness of Knowledge-Grounded Dialogue via Contrastive Learning [71.8876256714229]
本稿では,知識ベース対話システムの堅牢性向上を目的とした,エンティティベースのコントラスト学習フレームワークを提案する。提案手法は,自動評価スコアの点から,新しい最先端性能を実現する。
論文参考訳（メタデータ） (2024-01-09T05:16:52Z)
Similarity-weighted Construction of Contextualized Commonsense Knowledge Graphs for Knowledge-intense Argumentation Tasks [17.438104235331085]
CCKG(Contextualized Commonsense Knowledge Graphs)を構築するための教師なしの新たな手法を提案する。我々の研究は、KG三重項とテキスト引数のセマンティックな類似性を計算することによって、文脈に敏感な知識抽出に留まらない。我々は,知識に敏感な議論品質評価タスクにおけるCCKGの有効性を実証し,強力なベースラインを達成し,GPT-3ベースのシステムと競合することを示す。
論文参考訳（メタデータ） (2023-05-15T09:52:36Z)
How to Enhance Causal Discrimination of Utterances: A Case on Affective Reasoning [22.11437627661179]
本稿では,会話プロセスにテクスティ.i.d.ノイズ項を組み込むことにより,構造因果モデル(SCM)を構築することを提案する。ディープラーニングの実装を容易にするため,非構造化会話データを扱うためのcognフレームワークを導入し,非可観測ノイズを学習可能な「単純な原因」とみなすオートエンコーダアーキテクチャを採用した。
論文参考訳（メタデータ） (2023-05-04T07:45:49Z)
Contrastive Knowledge Graph Error Detection [11.637359888052014]
提案する新しいフレームワーク - ContrAstive Knowledge Graph Error Detection (CAGED) を提案する。 CAGEDは、KG学習に対照的な学習を導入し、KGモデリングの新しい方法を提供する。 KGエラー検出における最先端の手法よりも優れています。
論文参考訳（メタデータ） (2022-11-18T05:01:19Z)
Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
論文参考訳（メタデータ） (2022-09-19T02:41:02Z)
KRACL: Contrastive Learning with Graph Context Modeling for Sparse Knowledge Graph Completion [37.92814873958519]
知識グラフ埋め込み (KGE) は、エンティティと関係を低次元空間にマッピングすることを目的としており、知識グラフ補完のためのテキストファクト標準となっている。既存のKGE手法の多くは、知識グラフの頻度が低いエンティティを予測しにくいため、スパーシティの課題に悩まされている。グラフコンテキストとコントラスト学習を用いて,KGの広がりを緩和する新しい枠組みを提案する。
論文参考訳（メタデータ） (2022-08-16T09:17:40Z)
Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文参考訳（メタデータ） (2022-03-29T13:07:53Z)
Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文参考訳（メタデータ） (2022-02-22T21:27:31Z)
Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion [53.31911669146451]
人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。これらのグラフは通常不完全であり、自動補完を促す。グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
論文参考訳（メタデータ） (2020-04-30T13:50:34Z)

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。