論文の概要: Capturing Knowledge Graphs and Rules with Octagon Embeddings

• arxiv url: http://arxiv.org/abs/2401.16270v2
• Date: Tue, 18 Jun 2024 15:29:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-20 04:34:53.943001
• Title: Capturing Knowledge Graphs and Rules with Octagon Embeddings
• Title（参考訳）: オクタゴン埋め込みによる知識グラフとルールのキャプチャ
• Authors: Victor Charpenay, Steven Schockaert,
• Abstract要約: 領域ベースの知識グラフ埋め込みは、関係を幾何学的領域として表現する。 既存のアプローチは、構成をモデル化する能力に厳しく制限されている。 我々の八角形埋め込みは、非自明なルールベースを適切に捕捉できることを示します。
• 参考スコア（独自算出の注目度）: 17.49288661342947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Region based knowledge graph embeddings represent relations as geometric regions. This has the advantage that the rules which are captured by the model are made explicit, making it straightforward to incorporate prior knowledge and to inspect learned models. Unfortunately, existing approaches are severely restricted in their ability to model relational composition, and hence also their ability to model rules, thus failing to deliver on the main promise of region based models. With the aim of addressing these limitations, we investigate regions which are composed of axis-aligned octagons. Such octagons are particularly easy to work with, as intersections and compositions can be straightforwardly computed, while they are still sufficiently expressive to model arbitrary knowledge graphs. Among others, we also show that our octagon embeddings can properly capture a non-trivial class of rule bases. Finally, we show that our model achieves competitive experimental results.
• Abstract（参考訳）: 領域ベースの知識グラフ埋め込みは、関係を幾何学的領域として表現する。 これは、モデルによってキャプチャされるルールが明確になるという利点があり、事前の知識を取り入れ、学習したモデルを検査することが簡単になる。 残念ながら、既存のアプローチはリレーショナルな構成をモデル化する能力に厳しく制限されており、従ってルールをモデル化する能力もあるため、リージョンベースのモデルの主な約束を達成できない。 これらの制限に対処するために、軸整列八角形からなる領域について検討する。 そのような八角形は、交叉や合成を直接計算できるが、それでも任意の知識グラフをモデル化するのに十分な表現力を持つため、特に容易に扱うことができる。 また,我々の八角形埋め込みは,非自明なルールベースを適切に捕捉できることを示す。 最後に,本モデルが実験結果と競合することを示す。

関連論文リスト

• Differentiable Reasoning about Knowledge Graphs with Region-based Graph Neural Networks [62.93577376960498]
  知識グラフ(KG)の完成法は、意味的正則性を捕捉し、これらの正則性を用いて、明示的に記述されていない妥当な知識を推測する必要がある。 ほとんどの埋め込みベースの手法はキャプチャ可能な正規性には不透明であるが、領域ベースのKG埋め込みモデルはより透明な代替手段として現れている。 命令制約に基づくシンプルなモデルであるRESHUFFLEを提案し、既存のアプローチよりもはるかに大きなルールベースを忠実に捉えることができる。
  論文  参考訳（メタデータ） (2024-06-13T18:37:24Z)
• From Latent to Lucid: Transforming Knowledge Graph Embeddings into Interpretable Structures [2.6451388057494283]
  本稿では,知識グラフ埋め込みモデルに適したポストホックな説明可能なAI手法を提案する。 本手法は,知識グラフ埋め込みモデルによって符号化された潜在表現を直接デコードする。 類似した埋め込みエンティティのサブグラフ近傍の異なる構造を識別することにより、これらの知見を人間の理解可能な象徴的ルールや事実に変換する。
  論文  参考訳（メタデータ） (2024-06-03T19:54:11Z)
• Linear building pattern recognition via spatial knowledge graph [2.3274138116397736]
  建築パターンは、都市物質と社会経済の影響を反映した重要な都市構造である。 従来の研究は主にグラフ同型法に基づいており、効率的でない建築パターンを認識するためにルールを使用している。 本稿では,線形建築パターンの認識に知識グラフを適用しようとする。
  論文  参考訳（メタデータ） (2023-04-21T04:05:02Z)
• I Know What You Do Not Know: Knowledge Graph Embedding via Co-distillation Learning [16.723470319188102]
  知識グラフの埋め込みは、実体と関係のベクトル表現を学習しようとする。 近年の研究では、事前学習された言語モデルを用いて、実体や関係のテキスト情報に基づいて埋め込みを学習している。 我々は,グラフ構造とテキスト情報の補完を利用するKG Embeddingの共蒸留学習手法であるCoLEを提案する。
  論文  参考訳（メタデータ） (2022-08-21T07:34:37Z)
• 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)
• Knowledge Sheaves: A Sheaf-Theoretic Framework for Knowledge Graph Embedding [1.5469452301122175]
  知識グラフの埋め込みは, トポロジカル言語, カテゴリー言語で自然に表現されていることを示す。 知識グラフの埋め込みは、グラフ上の適切なテクスチャ知識棚の近似グローバルセクションとして記述することができる。 結果として得られる埋め込みは、特別な訓練をせずに合成関係の推論に容易に適応できる。
  論文  参考訳（メタデータ） (2021-10-07T20:54:40Z)
• Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
  数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。 単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。 慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
  論文  参考訳（メタデータ） (2021-02-05T21:04:31Z)
• 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)
• CoSE: Compositional Stroke Embeddings [52.529172734044664]
  本稿では、ストロークベースの描画タスクのような複雑な自由形式構造に対する生成モデルを提案する。 我々のアプローチは、自動補完図のようなインタラクティブなユースケースに適している。
  論文  参考訳（メタデータ） (2020-06-17T15:22:54Z)
• Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
  本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。 ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。 各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
  論文  参考訳（メタデータ） (2020-06-09T16:33:49Z)

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。