論文の概要: FedCQA: Answering Complex Queries on Multi-Source Knowledge Graphs via
Federated Learning
- arxiv url: http://arxiv.org/abs/2402.14609v2
- Date: Mon, 26 Feb 2024 02:15:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 11:44:28.282991
- Title: FedCQA: Answering Complex Queries on Multi-Source Knowledge Graphs via
Federated Learning
- Title(参考訳): FedCQA:フェデレートラーニングによるマルチソース知識グラフの複雑なクエリの回答
- Authors: Qi Hu, Weifeng Jiang, Haoran Li, Zihao Wang, Jiaxin Bai, Qianren Mao,
Yangqiu Song, Lixin Fan, Jianxin Li
- Abstract要約: 複雑な論理的問合せ応答は知識グラフ(KG)の課題である
近年、KGエンティティを埋め込みベクトルに表現し、KGからの論理的クエリに対する回答を求める手法が提案されている。
マルチソースKGのクエリにどのように答えるかは、まだ不明である。
- 参考スコア(独自算出の注目度): 55.02512821257247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complex logical query answering is a challenging task in knowledge graphs
(KGs) that has been widely studied. The ability to perform complex logical
reasoning is essential and supports various graph reasoning-based downstream
tasks, such as search engines. Recent approaches are proposed to represent KG
entities and logical queries into embedding vectors and find answers to logical
queries from the KGs. However, existing proposed methods mainly focus on
querying a single KG and cannot be applied to multiple graphs. In addition,
directly sharing KGs with sensitive information may incur privacy risks, making
it impractical to share and construct an aggregated KG for reasoning to
retrieve query answers. Thus, it remains unknown how to answer queries on
multi-source KGs. An entity can be involved in various knowledge graphs and
reasoning on multiple KGs and answering complex queries on multi-source KGs is
important in discovering knowledge cross graphs. Fortunately, federated
learning is utilized in knowledge graphs to collaboratively learn
representations with privacy preserved. Federated knowledge graph embeddings
enrich the relations in knowledge graphs to improve the representation quality.
However, these methods only focus on one-hop relations and cannot perform
complex reasoning tasks. In this paper, we apply federated learning to complex
query-answering tasks to reason over multi-source knowledge graphs while
preserving privacy. We propose a Federated Complex Query Answering framework
(FedCQA), to reason over multi-source KGs avoiding sensitive raw data
transmission to protect privacy. We conduct extensive experiments on three
real-world datasets and evaluate retrieval performance on various types of
complex queries.
- Abstract(参考訳): 複雑な論理的クエリ応答は知識グラフ(KG)の課題であり、広く研究されている。
複雑な論理推論を行う能力は不可欠であり、検索エンジンのような様々なグラフ推論ベースの下流タスクをサポートする。
近年、KGエンティティと論理クエリを埋め込みベクトルに表現し、KGから論理クエリの解を求める手法が提案されている。
しかし、既存の提案手法は主に1kgのクエリに焦点を合わせており、複数のグラフに適用することはできない。
さらに、センシティブな情報で直接KGを共有することは、プライバシーリスクを引き起こす可能性があるため、クエリの回答を検索するために集約されたKGを共有および構築することは現実的ではない。
したがって、マルチソースKGの問合せにどう答えるかは不明である。
エンティティは、複数のKGの知識グラフや推論に関わり、マルチソースKGの複雑なクエリに答えることは、知識クロスグラフを発見する上で重要である。
幸いにも、連合学習は知識グラフで利用され、プライバシーを保った表現を協調的に学習する。
連合知識グラフ埋め込みは、表現品質を改善するために知識グラフの関係性を強化する。
しかし、これらの手法は一対一の関係にのみ焦点をあて、複雑な推論タスクを実行できない。
本稿では,複雑な問合せ処理にフェデレーション学習を適用し,プライバシを保ちながらマルチソース知識グラフを推論する。
プライバシを保護するために,マルチソースkgs上で,センシティブな生データ送信を回避するために,fedcqa(federated complex query answering framework)を提案する。
実世界の3つのデータセットについて広範な実験を行い、様々な種類の複雑なクエリの検索性能を評価する。
関連論文リスト
- Complex Logical Reasoning over Knowledge Graphs using Large Language
Models [10.056167107654089]
知識グラフ(KG)に対する推論は、エンティティ間の関係を深く理解する必要がある課題である。
現在のアプローチは、論理的なクエリ操作のために、ベクトル空間にエンティティを埋め込むための学習ジオメトリに依存している。
本稿では,文脈的KG探索と論理的クエリ推論を組み合わせた複雑なKG推論を定式化する,言語誘導型知識グラフによる抽象推論(LARK)を提案する。
論文 参考訳(メタデータ) (2023-05-02T02:21:49Z) - 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) - 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) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - Reasoning over Multi-view Knowledge Graphs [59.99051368907095]
ROMAは、マルチビューKG上で論理クエリに応答する新しいフレームワークである。
大規模(数百万の事実など)のKGや粒度の細かいビューまでスケールする。
トレーニング中に観測されていない構造やKGビューのクエリを一般化する。
論文 参考訳(メタデータ) (2022-09-27T21:32:20Z) - Exploiting Hybrid Semantics of Relation Paths for Multi-hop Question
Answering Over Knowledge Graphs [31.088325888508137]
本稿では、関係経路のハイブリッドセマンティクスを利用してマルチホップKGQAを改善することを提案する。
関係経路の明示的なテキスト情報と暗黙的なKG構造を,新規な回転・スケールのエンティティリンク予測フレームワークに基づいて統合する。
論文 参考訳(メタデータ) (2022-09-02T08:07:37Z) - BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from
Pretrained Language Models [65.51390418485207]
本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。
関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。
我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
論文 参考訳(メタデータ) (2022-06-28T19:46:29Z) - Improving Embedded Knowledge Graph Multi-hop Question Answering by
introducing Relational Chain Reasoning [8.05076085499457]
知識ベース質問回答(KBQA)は、トピックエンティティと回答の間の推論を識別することで、知識ベース(KB)からのユーザ要求に答える。
KBQA の複素分岐タスクとして、マルチホップ KGQA は構造化された KG に保存された多重ホップ関係鎖の推論を必要とする。
論文 参考訳(メタデータ) (2021-10-25T06:53:02Z) - Query Embedding on Hyper-relational Knowledge Graphs [0.4779196219827507]
マルチホップ論理推論は知識グラフ上の表現学習の分野で確立された問題である。
我々はマルチホップ推論問題をハイパーリレーショナルなKGに拡張し、この新しいタイプの複雑なクエリに対処する。
論文 参考訳(メタデータ) (2021-06-15T14:08:50Z)
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。