論文の概要: Veni, Vidi, Vici: Solving the Myriad of Challenges before Knowledge Graph Learning

• arxiv url: http://arxiv.org/abs/2402.06098v1
• Date: Thu, 8 Feb 2024 23:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-12 18:44:31.408261
• Title: Veni, Vidi, Vici: Solving the Myriad of Challenges before Knowledge Graph Learning
• Title（参考訳）: Veni, Vidi, Vici - 知識グラフ学習以前の無数の課題の解決
• Authors: Jeffrey Sardina, Luca Costabello, Christophe Gu\'eret
• Abstract要約: 知識グラフ(KG)は、大規模リンクデータを表現するためにますます一般的になっている。 KG学習性能を同時に制限する最先端グラフ学習における4つの重要な欠陥を同定する。 これらの欠陥は,1) 専門知識統合の欠如,2) KGにおけるノード次数不安定性の不安定,3) 学習中の不確実性と関連性の欠如,および4) 説明可能性の欠如である。
• 参考スコア（独自算出の注目度）: 5.360375691077625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Graphs (KGs) have become increasingly common for representing large-scale linked data. However, their immense size has required graph learning systems to assist humans in analysis, interpretation, and pattern detection. While there have been promising results for researcher- and clinician- empowerment through a variety of KG learning systems, we identify four key deficiencies in state-of-the-art graph learning that simultaneously limit KG learning performance and diminish the ability of humans to interface optimally with these learning systems. These deficiencies are: 1) lack of expert knowledge integration, 2) instability to node degree extremity in the KG, 3) lack of consideration for uncertainty and relevance while learning, and 4) lack of explainability. Furthermore, we characterise state-of-the-art attempts to solve each of these problems and note that each attempt has largely been isolated from attempts to solve the other problems. Through a formalisation of these problems and a review of the literature that addresses them, we adopt the position that not only are deficiencies in these four key areas holding back human-KG empowerment, but that the divide-and-conquer approach to solving these problems as individual units rather than a whole is a significant barrier to the interface between humans and KG learning systems. We propose that it is only through integrated, holistic solutions to the limitations of KG learning systems that human and KG learning co-empowerment will be efficiently affected. We finally present our "Veni, Vidi, Vici" framework that sets a roadmap for effectively and efficiently shifting to a holistic co-empowerment model in both the KG learning and the broader machine learning domain.
• Abstract（参考訳）: 知識グラフ(KG)は、大規模リンクデータを表現するためにますます一般的になっている。 しかし、その巨大なサイズは、解析、解釈、パターン検出を人間を支援するグラフ学習システムを必要とした。 様々なkg学習システムを通して研究者と臨床医のエンパワーメントに有望な結果が得られてきたが、最先端グラフ学習における4つの重要な欠陥を特定し、同時にkg学習性能を制限し、人間がこれらの学習システムと最適に連携する能力を減らす。 これらの欠点は 1)専門知識の統合の欠如。 2)KGにおけるノード次極の不安定性 3)学習中の不確実性と関連性の考慮の欠如 4)説明可能性の欠如。 さらに,これらの問題をそれぞれ解決しようとする最先端の試みを特徴付けるとともに,各試みは,他の課題から大きく分離されていることに留意する。 これらの問題の形式化と、それらに対処する文献のレビューを通じて、我々は、人間-KGのエンパワーメントを抑える4つの重要な領域に欠陥があるだけでなく、これらの問題を全体ではなく個々の単位として解決するための分断的アプローチが、人間とKG学習システム間のインターフェースの重要な障壁である、という立場を採用する。 我々は,人間とkg学習の協調が効果的に影響を受けるという,kg学習システムの限界に対する統合的,総合的な解決策のみを通じて実現することを提案する。 我々は最終的に、KG学習とより広範な機械学習ドメインの両方において、包括的なコエンパワーメントモデルに効果的かつ効率的に移行するためのロードマップを設定する"Veni, Vidi, Vici"フレームワークを提示する。

関連論文リスト

• A Novel Differentiable Loss Function for Unsupervised Graph Neural Networks in Graph Partitioning [5.22145960878624]
  グラフ分割問題はNPハードプロブレムとして認識される。 グラフ分割問題を解決するために,教師なしグラフニューラルネットワークを用いた新しいパイプラインを導入する。 我々は、現代の最先端技術に対する我々の方法論を厳格に評価し、メトリクス(カットとバランス)に重点を置いています。
  論文  参考訳（メタデータ） (2023-12-11T23:03:17Z)
• What can knowledge graph alignment gain with Neuro-Symbolic learning approaches? [1.8416014644193066]
  知識グラフ(KG)は多くのデータ集約型アプリケーションのバックボーンである。 現在のアルゴリズムでは、論理的思考と推論を語彙的、構造的、意味的なデータ学習で表現することができない。 本稿では,KGAにおける最先端技術について検討し,ニューロシンボリック統合の可能性を探る。
  論文  参考訳（メタデータ） (2023-10-11T12:03:19Z)
• A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and Future Directions [64.84521350148513]
  グラフは、現実世界の無数に存在する相互接続構造を表す。 グラフ学習方法のような効果的なグラフ分析により、ユーザはグラフデータから深い洞察を得ることができる。 しかし、これらの手法はデータ不均衡に悩まされることが多く、グラフデータでは、あるセグメントが豊富なデータを持っているのに、他のセグメントが不足しているのが一般的な問題である。 これは、より正確で代表的な学習結果のために、これらのデータ分散スキューを補正することを目的として、グラフ上の不均衡学習の出現する分野を必要とする。
  論文  参考訳（メタデータ） (2023-08-26T09:11:44Z)
• Causal Reinforcement Learning: A Survey [57.368108154871]
  強化学習は、不確実性の下でのシーケンシャルな決定問題の解決に不可欠なパラダイムである。 主な障害の1つは、強化学習エージェントが世界に対する根本的な理解を欠いていることである。 因果性は、体系的な方法で知識を形式化できるという点で顕著な利点がある。
  論文  参考訳（メタデータ） (2023-07-04T03:00:43Z)
• GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
  Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。 我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
  論文  参考訳（メタデータ） (2023-04-06T03:02:54Z)
• A Survey of Trustworthy Graph Learning: Reliability, Explainability, and Privacy Protection [136.71290968343826]
  信頼できるグラフ学習(TwGL)は、技術的観点から上記の問題を解決することを目的としている。 モデル性能を主に重視する従来のグラフ学習研究とは対照的に、TwGLは様々な信頼性と安全性を考慮に入れている。
  論文  参考訳（メタデータ） (2022-05-20T08:10:35Z)
• Link-Intensive Alignment for Incomplete Knowledge Graphs [28.213397255810936]
  本研究では,不完全KGと表現学習の整合性の問題に対処する。 我々のフレームワークは、推移性に基づく2つの特徴チャネルと近接性に基づく2つの特徴チャネルを利用する。 2つの特徴チャネルは、入力KG間で重要な特徴を交換するために共同で学習される。 また,学習過程中に欠落したリンクを検出し,回復するリンク検出装置も開発した。
  論文  参考訳（メタデータ） (2021-12-17T00:41:28Z)
• Constrained Learning with Non-Convex Losses [119.8736858597118]
  学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
  論文  参考訳（メタデータ） (2021-03-08T23:10:33Z)
• HGKT: Introducing Hierarchical Exercise Graph for Knowledge Tracing [19.416373111152613]
  本稿では,HGKTと呼ばれる階層的グラフ知識追跡モデルを提案する。 具体的には,学習依存度をモデル化可能な階層的なエクササイズグラフを構築するために,問題スキーマの概念を導入する。 テスト段階では、知識の熟達と問題スキーマの推移を辿ることのできるK&S診断行列を提示する。
  論文  参考訳（メタデータ） (2020-06-13T07:09:52Z)
• Probably Approximately Correct Constrained Learning [135.48447120228658]
  我々は、ほぼ正しい学習フレームワーク(PAC)に基づく一般化理論を開発する。 PAC学習可能なクラスも制約のある学習者であるという意味では,学習者の導入は学習問題を難しくするものではないことを示す。 このソリューションの特性を分析し,制約付き学習が公平でロバストな分類における問題にどのように対処できるかを説明する。
  論文  参考訳（メタデータ） (2020-06-09T19:59:29Z)

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。