論文の概要: Harmonizing Human Insights and AI Precision: Hand in Hand for Advancing Knowledge Graph Task

• arxiv url: http://arxiv.org/abs/2405.09477v1
• Date: Wed, 15 May 2024 16:16:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-16 12:56:32.559430
• Title: Harmonizing Human Insights and AI Precision: Hand in Hand for Advancing Knowledge Graph Task
• Title（参考訳）: ヒューマンインサイトとAIの精度の調和 - 知識グラフタスクの強化に手を差し伸べる
• Authors: Shurong Wang, Yufei Zhang, Xuliang Huang, Hongwei Wang,
• Abstract要約: グラフを概念的に分析する人間の能力は、意味情報を用いたKGEモデルの有効性を改善する可能性がある。 我々はKG-HAITと呼ばれる人間-AIチーム(HAIT)システムを開発し、KGに関する人間の洞察を活用する。 様々なベンチマークやメトリクスで顕著な改善が見られ、加速されたモデル収束が伴う。
• 参考スコア（独自算出の注目度）: 4.806524157696035
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Knowledge graph embedding (KGE) has caught significant interest for its effectiveness in knowledge graph completion (KGC), specifically link prediction (LP), with recent KGE models cracking the LP benchmarks. Despite the rapidly growing literature, insufficient attention has been paid to the cooperation between humans and AI on KG. However, humans' capability to analyze graphs conceptually may further improve the efficacy of KGE models with semantic information. To this effect, we carefully designed a human-AI team (HAIT) system dubbed KG-HAIT, which harnesses the human insights on KG by leveraging fully human-designed ad-hoc dynamic programming (DP) on KG to produce human insightful feature (HIF) vectors that capture the subgraph structural feature and semantic similarities. By integrating HIF vectors into the training of KGE models, notable improvements are observed across various benchmarks and metrics, accompanied by accelerated model convergence. Our results underscore the effectiveness of human-designed DP in the task of LP, emphasizing the pivotal role of collaboration between humans and AI on KG. We open avenues for further exploration and innovation through KG-HAIT, paving the way towards more effective and insightful KG analysis techniques.
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)は知識グラフ補完(KGC)、特にリンク予測(LP)において有効性に大きな関心を集めており、最近のKGEモデルはLPベンチマークをクラックしている。 文学の急速な発展にもかかわらず、人間とAIのKGにおける協力には不十分な注意が払われている。 しかし、概念的にグラフを分析する人間の能力は、意味情報を用いたKGEモデルの有効性をさらに向上させる可能性がある。 そこで我々は,KG上の完全人間設計のアドホック動的プログラミング(DP)を活用して,そのサブグラフ構造の特徴と意味的類似性を捉える人間の洞察的特徴(HIF)ベクトルを生成する,KG-HAIT(Human-AI team)システムを慎重に設計した。 HIFベクトルをKGEモデルのトレーニングに組み込むことで、様々なベンチマークやメトリクスで顕著な改善が見られ、モデル収束が加速される。 本研究は,人間とAIがKG上で協調する上で重要な役割を担っていることを強調し,LPの課題における人間設計DPの有効性を裏付けるものである。 我々は、KG-HAITによるさらなる探索と革新の道を開き、より効果的で洞察に富んだKG分析技術への道を開く。

関連論文リスト

• Deep Sparse Latent Feature Models for Knowledge Graph Completion [24.342670268545085]
  本稿では,知識グラフのためのスパース潜在特徴モデルの新たなフレームワークを提案する。 我々のアプローチは、欠落した三重項を効果的に完成するだけでなく、潜伏構造の明確な解釈可能性も提供する。 提案手法は,潜在コミュニティを明らかにし,解釈可能な表現を生成することにより,性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-11-24T03:17:37Z)
• Generalizing Hyperedge Expansion for Hyper-relational Knowledge Graph Modeling [33.04380466268661]
  3次元知識グラフ(KG)を一般化するハイパーリレーショナル知識グラフ(HKG)が近年注目されている。 HKGをモデル化するために、既存の研究は主に意味情報または構造情報に焦点を当てている。 本稿では、TransEQと呼ばれるHKGモデリングの等価変換を提案する。
  論文  参考訳（メタデータ） (2024-11-09T14:16:41Z)
• KG-FIT: Knowledge Graph Fine-Tuning Upon Open-World Knowledge [63.19837262782962]
  知識グラフ埋め込み(KGE)技術は、知識グラフ内の実体と関係のコンパクトな表現を学習するために重要である。 本研究では、エンティティクラスタのセマンティックコヒーレントな階層構造を構築するKG-FITを紹介する。 ベンチマークデータセットFB15K-237、YAGO3-10、PrimeKGの実験は、最先端の訓練済み言語モデルに基づく手法よりもKG-FITの方が優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-26T03:04:26Z)
• Schema First! Learn Versatile Knowledge Graph Embeddings by Capturing Semantics with MASCHInE [3.174882428337821]
  近年,知識グラフ埋め込みモデル (KGEMs) が注目されている。 本研究では,RDF/S情報を活用するKGの小型改良版であるプロトグラフを設計する。 学習されたプロトグラフベースの埋め込みは、KGのセマンティクスをカプセル化することを目的としており、KGEの学習に利用することができる。
  論文  参考訳（メタデータ） (2023-06-06T13:22:54Z)
• Collective Knowledge Graph Completion with Mutual Knowledge Distillation [11.922522192224145]
  我々は,異なるKGからの集合的知識の最大化に焦点をあてるマルチKG完備化の問題について検討する。 CKGC-CKDと呼ばれる,個々のKGと大きな融合KGの両方で,関係対応グラフ畳み込みネットワークエンコーダモデルを用いる新しい手法を提案する。 複数言語データセットによる実験結果から,本手法はKGCタスクにおけるすべての最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-25T09:49:40Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)
• An Evaluation of Knowledge Graph Embeddings for Autonomous Driving Data: Experience and Practice [0.0]
  自律運転(AD)業界は、車載センサーから生成される大量の異種データを管理するために知識グラフ(KG)の利用を検討している。 知識グラフ埋め込み(KGE)に関する最近の研究により、機械学習モデルの予測性能が向上することが示されている。 本研究では,自律運転データに対するKGEの生成と評価について検討する。
  論文  参考訳（メタデータ） (2020-02-29T20:33:48Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。