論文の概要: Enhancing Multi-Hop Knowledge Graph Reasoning through Reward Shaping
Techniques
- arxiv url: http://arxiv.org/abs/2403.05801v1
- Date: Sat, 9 Mar 2024 05:34:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 12:22:48.781915
- Title: Enhancing Multi-Hop Knowledge Graph Reasoning through Reward Shaping
Techniques
- Title(参考訳): 逆整形によるマルチホップ知識グラフ推論の強化
- Authors: Chen Li, Haotian Zheng, Yiping Sun, Cangqing Wang, Liqiang Yu, Che
Chang, Xinyu Tian, Bo Liu
- Abstract要約: 本研究は,マルチホップ知識グラフ(KG-R)に内在する複雑さをナビゲートするための強化学習戦略,特にREINFORCEアルゴリズムの活用について検討する。
UMLS(Unified Medical Language System)ベンチマークデータセットをリッチでスパースなサブセットに分割することにより、トレーニング済みBERT埋め込みとPrompt Learning手法の有効性を検証し、報酬形成プロセスを洗練させる。
- 参考スコア(独自算出の注目度): 5.561202401558972
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the realm of computational knowledge representation, Knowledge Graph
Reasoning (KG-R) stands at the forefront of facilitating sophisticated
inferential capabilities across multifarious domains. The quintessence of this
research elucidates the employment of reinforcement learning (RL) strategies,
notably the REINFORCE algorithm, to navigate the intricacies inherent in
multi-hop KG-R. This investigation critically addresses the prevalent
challenges introduced by the inherent incompleteness of Knowledge Graphs (KGs),
which frequently results in erroneous inferential outcomes, manifesting as both
false negatives and misleading positives. By partitioning the Unified Medical
Language System (UMLS) benchmark dataset into rich and sparse subsets, we
investigate the efficacy of pre-trained BERT embeddings and Prompt Learning
methodologies to refine the reward shaping process. This approach not only
enhances the precision of multi-hop KG-R but also sets a new precedent for
future research in the field, aiming to improve the robustness and accuracy of
knowledge inference within complex KG frameworks. Our work contributes a novel
perspective to the discourse on KG reasoning, offering a methodological
advancement that aligns with the academic rigor and scholarly aspirations of
the Natural journal, promising to invigorate further advancements in the realm
of computational knowledge representation.
- Abstract(参考訳): 計算知識表現の領域において、知識グラフ推論(KG-R)は、多分野にわたる洗練された推論機能を促進する最前線にある。
この研究は、強化学習(RL)戦略、特にREINFORCEアルゴリズムを用いて、マルチホップKG-Rに固有の複雑さをナビゲートする。
この調査は、知識グラフ(KGs)の固有の不完全性(英語版)によってもたらされる問題に批判的であり、しばしば誤った推論結果をもたらし、偽陰性と誤導陽性の両方を示す。
UMLS(Unified Medical Language System)ベンチマークデータセットをリッチでスパースなサブセットに分割することにより、トレーニング済みBERT埋め込みとPrompt Learning手法の有効性を検証し、報酬形成プロセスを洗練させる。
このアプローチは、マルチホップKG-Rの精度を高めるだけでなく、複雑なKGフレームワークにおける知識推論の堅牢性と正確性を改善することを目的として、この分野における今後の研究の新たな先例となる。
我々の研究は、KG推論の議論に新しい視点をもたらし、計算知識表現の領域におけるさらなる進歩の活性化を約束する、学術的な厳密さと自然誌の学術的願望に沿った方法論的な進歩を提供する。
関連論文リスト
- Knowledge Graph Large Language Model (KG-LLM) for Link Prediction [39.4203349659232]
本稿では,知識グラフにおけるマルチホップリンク予測を強化するために,知識グラフ大言語モデルフレームワーク(KG-LLM)を提案する。
知識グラフをチェーン・オブ・シークレットのプロンプトに変換することで、我々のフレームワークは、エンティティの潜在表現とその相互関係を識別し、学習するように設計されている。
論文 参考訳(メタデータ) (2024-03-12T04:47:29Z) - Soft Reasoning on Uncertain Knowledge Graphs [85.1968214421899]
本研究では,ソフト制約プログラミングの確立を動機とした,不確実な知識に対するソフトクエリの設定について検討する。
本稿では,大規模,不完全,不確実な知識グラフ上でのソフトクエリに応答する,前方推論と後方校正を併用したMLベースのアプローチを提案する。
論文 参考訳(メタデータ) (2024-03-03T13:13:53Z) - FedCQA: Answering Complex Queries on Multi-Source Knowledge Graphs via
Federated Learning [55.02512821257247]
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。
論文 参考訳(メタデータ) (2024-02-22T14:57:44Z) - An Enhanced Prompt-Based LLM Reasoning Scheme via Knowledge
Graph-Integrated Collaboration [16.054815633190476]
本研究では,知識グラフ(KG)と大規模言語モデル(LLM)の緊密な協調を含む協調学習自由推論手法を提案する。
このような協調的な手法により、より信頼性の高い知識に基づく推論を実現し、推論結果の追跡を容易にする。
論文 参考訳(メタデータ) (2024-02-07T15:56:17Z) - Knowledge Graph Context-Enhanced Diversified Recommendation [55.98773629788986]
本研究では,知識グラフ(KG)の複雑な文脈における多角化RecSys領域について検討する。
私たちのコントリビューションには、革新的なメトリック、エンティティカバレッジ、KGドメイン内の多様性を効果的に定量化するリレーショナルカバレッジの導入が含まれています。
そこで本稿では,文脈整合性を維持しつつ,KG項目の埋め込みを符号化するCAU(Conditional Alignment and Uniformity)という新しい手法を紹介する。
論文 参考訳(メタデータ) (2023-10-20T03:18:57Z) - 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) - RHO ($\rho$): Reducing Hallucination in Open-domain Dialogues with
Knowledge Grounding [57.46495388734495]
本稿では、知識グラフ(KG)からリンクされたエンティティと関係述語を表現したRHO(rho$)を提案する。
本稿では,(1)テキスト埋め込みと対応するKG埋め込みを組み合わせるための局所知識基盤,(2)注目機構を介してRHOにマルチホップ推論能力を持たせるためのグローバル知識基盤を提案する。
論文 参考訳(メタデータ) (2022-12-03T10:36:34Z) - 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) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳(メタデータ) (2022-01-13T08:25:53Z) - Multi-view Inference for Relation Extraction with Uncertain Knowledge [8.064148591925932]
本論文では,未知の知識を利用して関係抽出を改善することを提案する。
対象エンティティが概念にどの程度属しているかを示す不確定なkgであるprobaseを紹介する。
次に、ローカルコンテキストとグローバル知識を体系的に統合する新しい多視点推論フレームワークを設計する。
論文 参考訳(メタデータ) (2021-04-28T05:56:33Z)
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。