論文の概要: EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2402.09666v1
• Date: Thu, 15 Feb 2024 02:27:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-16 17:17:49.669547
• Title: EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion
• Title（参考訳）: EntailE:Commonsense Knowledge Graph Completionにおけるテキスト・エンターメントの導入
• Authors: Ying Su, Tianqing Fang, Huiru Xiao, Weiqi Wang, Yangqiu Song, Tong Zhang, Lei Chen
• Abstract要約: Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
• 参考スコア（独自算出の注目度）: 54.12709176438264
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Commonsense knowledge graph completion is a new challenge for commonsense knowledge graph construction and application. In contrast to factual knowledge graphs such as Freebase and YAGO, commonsense knowledge graphs (CSKGs; e.g., ConceptNet) utilize free-form text to represent named entities, short phrases, and events as their nodes. Such a loose structure results in large and sparse CSKGs, which makes the semantic understanding of these nodes more critical for learning rich commonsense knowledge graph embedding. While current methods leverage semantic similarities to increase the graph density, the semantic plausibility of the nodes and their relations are under-explored. Previous works adopt conceptual abstraction to improve the consistency of modeling (event) plausibility, but they are not scalable enough and still suffer from data sparsity. In this paper, we propose to adopt textual entailment to find implicit entailment relations between CSKG nodes, to effectively densify the subgraph connecting nodes within the same conceptual class, which indicates a similar level of plausibility. Each node in CSKG finds its top entailed nodes using a finetuned transformer over natural language inference (NLI) tasks, which sufficiently capture textual entailment signals. The entailment relation between these nodes are further utilized to: 1) build new connections between source triplets and entailed nodes to densify the sparse CSKGs; 2) enrich the generalization ability of node representations by comparing the node embeddings with a contrastive loss. Experiments on two standard CSKGs demonstrate that our proposed framework EntailE can improve the performance of CSKG completion tasks under both transductive and inductive settings.
• Abstract（参考訳）: commonsense knowledge graph completionは、commonsense knowledge graphの構築と応用のための新しい挑戦である。 FreebaseやYAGOのような事実知識グラフとは対照的に、Commonsense knowledge graph(CSKG、ConceptNet)は名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 このようなゆるい構造は、大きくスパースなCSKGをもたらすため、これらのノードの意味的理解をより重要視して、リッチコモンセンス知識グラフの埋め込みを学ぶ。 現在の手法はグラフ密度を増加させるために意味的類似性を利用するが、ノードとその関係のセマンティックな妥当性は未探索である。 従来の作業では、モデリング(イベント)の可視性の整合性を改善するために概念的な抽象化を採用していましたが、スケーラビリティが十分ではなく、データ疎結合に悩まされています。 本稿では,cskgノード間の暗黙的な関連関係を見出すために,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化するために,テキストによる重み付けを導入することを提案する。 CSKGの各ノードは、自然言語推論(NLI)タスク上の微調整されたトランスフォーマーを使用して、最上位のノードを見つける。 これらのノード間の包含関係をさらに活用する。 1) ソーストリプレットと、スパースcskgsを高密度化するためのノードとの新たな接続を構築する。 2) ノード埋め込みと対照的な損失を比較することにより,ノード表現の一般化能力を高める。 2つの標準CSKGの実験により,提案フレームワーク EntailE がCSKG完了タスクの性能をトランスダクティブとインダクティブの両方で向上できることを示した。

関連論文リスト

• Multi-Evidence based Fact Verification via A Confidential Graph Neural Network [20.574234947055494]
  我々は,ノイズのある意味情報の伝播を軽減するために,信頼グラフ注意ネットワーク(CO-GAT)を導入する。 CO-GATは、FEVERデータセット上で73.59%のFEVERスコアを達成し、有効性を広げることによる能力一般化を示す。
  論文  参考訳（メタデータ） (2024-05-17T01:02:03Z)
• GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
  GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。 革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。 グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-15T11:30:18Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Commonsense Knowledge Graph Completion Via Contrastive Pretraining and Node Clustering [14.854971279160933]
  本稿では,Contrastive PretrainingとNode Clusteringに基づくCSKG補完フレームワークを提案する。 CN-100K と ATOMIC の2つの CSKG 補完ベンチマークにおけるCPNC のアプローチを評価する。
  論文  参考訳（メタデータ） (2023-05-26T15:24:32Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Towards Self-Explainable Graph Neural Network [24.18369781999988]
  グラフニューラルネットワーク(GNN)は、ディープニューラルネットワークをグラフ構造化データに一般化する。 GNNには説明責任がないため、モデルの透明性を求めるシナリオでは採用が制限される。 そこで本稿では,各未ラベルノードに対して$K$-nearestラベル付きノードを探索し,説明可能なノード分類を提案する。
  論文  参考訳（メタデータ） (2021-08-26T22:45:11Z)
• Pair-view Unsupervised Graph Representation Learning [2.8650714782703366]
  低次元グラフ埋め込みは、大きなグラフのさまざまな下流タスクで非常に有用であることが証明されています。 本稿では,グラフ埋め込みのコアとして "ノード" よりも高いレベルの単位である "ペア" を使用するソリューションである PairE を提案する。 実験の結果、PairEは4つの下流タスクのベースラインの状態を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-12-11T04:09:47Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。