論文の概要: Enhancing Geometric Ontology Embeddings for $\mathcal{EL}^{++}$ with Negative Sampling and Deductive Closure Filtering
- arxiv url: http://arxiv.org/abs/2405.04868v1
- Date: Wed, 8 May 2024 07:50:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-09 15:04:15.613100
- Title: Enhancing Geometric Ontology Embeddings for $\mathcal{EL}^{++}$ with Negative Sampling and Deductive Closure Filtering
- Title(参考訳): 負サンプリングとデダクティブクロージャフィルタによる$\mathcal{EL}^{++}$の幾何学的オントロジー埋め込みの強化
- Authors: Olga Mashkova, Fernando Zhapa-Camacho, Robert Hoehndorf,
- Abstract要約: オントロジーはクラス、関係、個人を$mathbbn$に埋め込み、$bbRn$のエンティティ間の類似性を計算することができる。
還元的閉鎖と異なるタイプの負の双方を考慮に入れた新規な負の損失を生じさせる。
- 参考スコア(独自算出の注目度): 45.817946135388176
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ontology embeddings map classes, relations, and individuals in ontologies into $\mathbb{R}^n$, and within $\mathbb{R}^n$ similarity between entities can be computed or new axioms inferred. For ontologies in the Description Logic $\mathcal{EL}^{++}$, several embedding methods have been developed that explicitly generate models of an ontology. However, these methods suffer from some limitations; they do not distinguish between statements that are unprovable and provably false, and therefore they may use entailed statements as negatives. Furthermore, they do not utilize the deductive closure of an ontology to identify statements that are inferred but not asserted. We evaluated a set of embedding methods for $\mathcal{EL}^{++}$ ontologies based on high-dimensional ball representation of concept descriptions, incorporating several modifications that aim to make use of the ontology deductive closure. In particular, we designed novel negative losses that account both for the deductive closure and different types of negatives. We demonstrate that our embedding methods improve over the baseline ontology embedding in the task of knowledge base or ontology completion.
- Abstract(参考訳): オントロジーは、オントロジーにおけるクラス、関係、および個人を$\mathbb{R}^n$に埋め込み、エンティティ間の$\mathbb{R}^n$類似性を計算したり、新しい公理を推論することができる。
Description Logic $\mathcal{EL}^{++}$のオントロジーでは、オントロジーのモデルを明示的に生成するいくつかの埋め込みメソッドが開発されている。
しかし、これらの手法はいくつかの制限に悩まされており、証明不可能で証明不可能なステートメントを区別しないため、関連するステートメントを負として使用することができる。
さらに、推論されるが主張されないステートメントを特定するために、オントロジーの誘惑的なクロージャを使用しない。
我々は,概念記述の高次元球表現に基づく$\mathcal{EL}^{++}$オントロジーに対する埋め込み手法のセットを評価し,オントロジーの導出的クロージャの利用を目的としたいくつかの修正を取り入れた。
特に,還元的閉鎖と異なるタイプの負の双方を考慮に入れた新規な負の損失を設計した。
本研究では,本手法が知識ベースやオントロジー完了のタスクに埋め込まれたベースラインオントロジーよりも優れていることを示す。
関連論文リスト
- Lattice-preserving $\mathcal{ALC}$ ontology embeddings [50.05281461410368]
論理記述(DL)に表される意味論であるWeのグラフ上に埋め込みを生成するための順序保存型埋め込み法を提案する。
本手法は,いくつかの知識ベース完了タスクにおいて,最先端の組込み手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-05-11T22:27:51Z) - An Embedding-based Approach to Inconsistency-tolerant Reasoning with
Inconsistent Ontologies [12.760301272393898]
本稿では,公理の埋め込みに基づく一貫性のない意味論による推論手法を提案する。
組込みに基づく手法は、最大一貫した部分集合に基づく既存の矛盾耐性推論手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-04-04T09:38:02Z) - From axioms over graphs to vectors, and back again: evaluating the
properties of graph-based ontology embeddings [78.217418197549]
埋め込みを生成するアプローチの1つは、名前付きエンティティと論理公理構造のためのノードとエッジのセットを導入することである。
グラフに埋め込む方法(グラフ射影)は、それらが利用する公理の種類と異なる性質を持つ。
論文 参考訳(メタデータ) (2023-03-29T08:21:49Z) - Dual Box Embeddings for the Description Logic EL++ [16.70961576041243]
知識グラフ(KG)と同様に、知識グラフはしばしば不完全であり、それらの維持と構築は困難であることが証明された。
KGsと同様に、有望なアプローチは、潜在ベクトル空間への埋め込みを学習し、基礎となるDLのセマンティクスに固執することである。
そこで本研究では,概念と役割をボックスとして表現した,DL EL++用のBox$2$ELという新しいオントロジー埋め込み手法を提案する。
論文 参考訳(メタデータ) (2023-01-26T14:13:37Z) - Log-linear Guardedness and its Implications [116.87322784046926]
線形性を仮定する神経表現から人間の解釈可能な概念を消去する方法は、抽出可能で有用であることが判明した。
この研究は、対数線ガードネスの概念を、敵が表現から直接その概念を予測することができないものとして正式に定義している。
バイナリの場合、ある仮定の下では、下流の対数線形モデルでは消去された概念を復元できないことを示す。
論文 参考訳(メタデータ) (2022-10-18T17:30:02Z) - A Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
既存の説明可能性技術を評価するための診断特性のリストを作成する。
そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
論文 参考訳(メタデータ) (2020-09-25T12:01:53Z) - Plausible Reasoning about EL-Ontologies using Concept Interpolation [27.314325986689752]
本稿では,モデル理論の明確な意味論に基づく帰納的機構を提案する。
我々は、カテゴリーベース誘導の認知モデルと密接に関連している強力なコモンセンス推論機構である推論に焦点を当てた。
論文 参考訳(メタデータ) (2020-06-25T14:19:41Z) - There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。
このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。
本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-06T17:58:08Z)
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。