論文の概要: From Chain to Tree: Refining Chain-like Rules into Tree-like Rules on Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2403.05130v1
• Date: Fri, 8 Mar 2024 07:55:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 20:39:30.559420
• Title: From Chain to Tree: Refining Chain-like Rules into Tree-like Rules on Knowledge Graphs
• Title（参考訳）: チェーンからツリーへ:知識グラフ上のチェーンライクなルールをツリーライクなルールに変換する
• Authors: Wangtao Sun, Shizhu He, Jun Zhao, Kang Liu
• Abstract要約: 本稿では,知識グラフのツリーライクなルールの概念を提案し,適用範囲を拡大する。 本稿では,チェーンライクなルールをツリーライクなルールに書き換えるための効果的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 26.237564631208354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With good explanatory power and controllability, rule-based methods play an important role in many tasks such as knowledge reasoning and decision support. However, existing studies primarily focused on learning chain-like rules, which limit their semantic expressions and accurate prediction abilities. As a result, chain-like rules usually fire on the incorrect grounding values, producing inaccurate or even erroneous reasoning results. In this paper, we propose the concept of tree-like rules on knowledge graphs to expand the application scope and improve the reasoning ability of rule-based methods. Meanwhile, we propose an effective framework for refining chain-like rules into tree-like rules. Experimental comparisons on four public datasets show that the proposed framework can easily adapt to other chain-like rule induction methods and the refined tree-like rules consistently achieve better performances than chain-like rules on link prediction. The data and code of this paper can be available at https://anonymous.4open.science/r/tree-rule-E3CD/.
• Abstract（参考訳）: 説明力と制御性が優れており、ルールベースの手法は知識推論や意思決定支援といった多くのタスクにおいて重要な役割を果たす。 しかし、既存の研究は主に、その意味表現と正確な予測能力を制限する連鎖的なルールの学習に焦点を当てている。 その結果、チェーンライクな規則は通常、誤った基底値に反応し、不正確なまたは誤った推論結果を生み出す。 本稿では,知識グラフのツリーライクなルールの概念を提案し,適用範囲を拡大し,ルールベースの手法の推論能力を向上させる。 一方,チェーンライクなルールをツリーライクなルールに変換するための効果的なフレームワークを提案する。 4つの公開データセットを実験的に比較した結果,提案手法は他の連鎖的規則誘導法や改良された木様規則にも容易に適応できることがわかった。 本論文のデータとコードはhttps://anonymous.4open.science/r/tree-rule-E3CD/で入手できる。

関連論文リスト

• A Scalable Matrix Visualization for Understanding Tree Ensemble Classifiers [20.416696003269674]
  本稿では,数万のルールを含む木アンサンブル分類法を説明するために,拡張性のある視覚解析手法を提案する。 我々は,これらのルールを階層レベルで優先順位付けするための,異常バイアスモデル削減手法を開発した。 本手法は,共通ルールと異常ルールの両方を深く理解し,包括性を犠牲にすることなく解釈性を向上させる。
  論文  参考訳（メタデータ） (2024-09-05T01:48:11Z)
• Can LLMs Reason with Rules? Logic Scaffolding for Stress-Testing and Improving LLMs [87.34281749422756]
  大規模言語モデル(LLM)は、様々な推論タスクにおいて、印象的な人間的なパフォーマンスを実現している。 しかし、その根底にある推論規則の熟達性は、人間の能力に欠ける。 本稿では,推論ルールベースであるULogicを構築するための,推論ルール生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-18T03:38:51Z)
• Exploring the Trie of Rules: a fast data structure for the representation of association rules [0.3683202928838613]
  関連ルールマイニング技術は、トランザクションデータベース上に実装された場合、大量のシーケンシャルデータを生成することができる。 本稿では,アソシエーションルールマイニングによって生成されるルールセットを格納するための,ルールのトライ(True of Rule)と呼ばれる新しいデータ構造を提案する。 特定のルールの検索やソートといった基本的な操作の時間的メリットの観点から、ほとんどデータ損失や利益を伴わないルールセットを圧縮する。
  論文  参考訳（メタデータ） (2023-10-26T12:44:33Z)
• ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
  そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。 具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。 生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
  論文  参考訳（メタデータ） (2023-09-04T11:38:02Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• Learning Symbolic Rules for Reasoning in Quasi-Natural Language [74.96601852906328]
  我々は,ルールを手作業で構築することなく,自然言語入力で推論できるルールベースシステムを構築した。 本稿では,形式論理文と自然言語文の両方を表現可能な"Quasi-Natural"言語であるMetaQNLを提案する。 提案手法は,複数の推論ベンチマークにおける最先端の精度を実現する。
  論文  参考訳（メタデータ） (2021-11-23T17:49:00Z)
• Combining Rules and Embeddings via Neuro-Symbolic AI for Knowledge Base Completion [59.093293389123424]
  すべてのルールベースの知識ベースコンプリートモデルが同じではないことを示す。 1)関係の混合と,2)経路の混合の2つの異なるアプローチを提案する。 ブール論理を実数値論理に拡張することでルールを学習するニューロシンボリックAI上に実装すると、後者のモデルは、平均相互ランクにおいて、最先端のKBC精度を2-10%向上させる。
  論文  参考訳（メタデータ） (2021-09-16T17:54:56Z)
• Theoretical Rule-based Knowledge Graph Reasoning by Connectivity Dependency Discovery [2.945948598480997]
  本稿では,複数のルールタイプを介して,グラフ内の接続依存性をキャプチャするルールベースの知識グラフ推論の理論を提案する。 その結果,ルールディクトモデルは新しい三重項を正確に解釈するだけでなく,1つのベンチマーク知識グラフ補完タスクにおける最先端のパフォーマンスも達成できることがわかった。
  論文  参考訳（メタデータ） (2020-11-12T03:00:20Z)
• RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
  本稿では知識グラフに基づく推論のための論理規則の学習について研究する。 論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。 既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
  論文  参考訳（メタデータ） (2020-10-08T14:47:02Z)

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。