論文の概要: Differentiable Reasoning about Knowledge Graphs with Region-based Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2406.09529v1
- Date: Thu, 13 Jun 2024 18:37:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 17:24:36.193430
- Title: Differentiable Reasoning about Knowledge Graphs with Region-based Graph Neural Networks
- Title(参考訳): 地域型グラフニューラルネットワークを用いた知識グラフの微分推論
- Authors: Aleksandar Pavlovic, Emanuel Sallinger, Steven Schockaert,
- Abstract要約: 知識グラフ(KG)の完成法は、意味的正則性を捕捉し、これらの正則性を用いて、明示的に記述されていない妥当な知識を推測する必要がある。
ほとんどの埋め込みベースの手法はキャプチャ可能な正規性には不透明であるが、領域ベースのKG埋め込みモデルはより透明な代替手段として現れている。
命令制約に基づくシンプルなモデルであるRESHUFFLEを提案し、既存のアプローチよりもはるかに大きなルールベースを忠実に捉えることができる。
- 参考スコア(独自算出の注目度): 62.93577376960498
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Methods for knowledge graph (KG) completion need to capture semantic regularities and use these regularities to infer plausible knowledge that is not explicitly stated. Most embedding-based methods are opaque in the kinds of regularities they can capture, although region-based KG embedding models have emerged as a more transparent alternative. By modeling relations as geometric regions in high-dimensional vector spaces, such models can explicitly capture semantic regularities in terms of the spatial arrangement of these regions. Unfortunately, existing region-based approaches are severely limited in the kinds of rules they can capture. We argue that this limitation arises because the considered regions are defined as the Cartesian product of two-dimensional regions. As an alternative, in this paper, we propose RESHUFFLE, a simple model based on ordering constraints that can faithfully capture a much larger class of rule bases than existing approaches. Moreover, the embeddings in our framework can be learned by a monotonic Graph Neural Network (GNN), which effectively acts as a differentiable rule base. This approach has the important advantage that embeddings can be easily updated as new knowledge is added to the KG. At the same time, since the resulting representations can be used similarly to standard KG embeddings, our approach is significantly more efficient than existing approaches to differentiable reasoning.
- Abstract(参考訳): 知識グラフ(KG)の完成法は、意味的正則性を捕捉し、これらの正則性を用いて、明示的に記述されていない妥当な知識を推測する必要がある。
ほとんどの埋め込みベースの手法はキャプチャ可能な正規性には不透明であるが、領域ベースのKG埋め込みモデルはより透明な代替手段として現れている。
高次元ベクトル空間における幾何学的領域としての関係をモデル化することにより、そのようなモデルはこれらの領域の空間配置の観点から意味的規則性を明示的に捉えることができる。
残念ながら、既存のリージョンベースのアプローチは、キャプチャ可能なルールの種類に大きく制限されている。
この制限は、考慮された領域が2次元領域のカルテシアン積として定義されるため生じると我々は主張する。
本稿では,従来のルールベースよりもはるかに大規模なルールベースを忠実に捕捉可能な順序制約に基づくシンプルなモデルであるRESHUFFLEを提案する。
さらに、我々のフレームワークへの埋め込みはモノトニックグラフニューラルネットワーク(GNN)によって学習され、事実上差別化可能なルールベースとして機能する。
このアプローチには、新しい知識がKGに追加されるにつれて、埋め込みを簡単に更新できるという重要な利点がある。
同時に、得られた表現は標準KG埋め込みと同様に使用できるので、既存の微分可能な推論手法よりもはるかに効率的である。
関連論文リスト
- Generating grid maps via the snake model [10.489493860187348]
グリッドマップはタイルマップと呼ばれ、地理空間の可視化において重要なツールである。
地理的領域をグリッドに変換するため、コヒーレントグリッドアレンジメントを確立するために、セントロイドと境界ノードの両方の変位を必要とする。
既存のアプローチは通常、領域セントロイドと境界ノードを別々に置き換える。
本研究では,Snake変位アルゴリズムを地図一般化から適用し,領域セントロイドと境界ノードを同時に変位させる手法を提案する。
論文 参考訳(メタデータ) (2024-06-04T02:24:39Z) - Capturing Knowledge Graphs and Rules with Octagon Embeddings [17.49288661342947]
領域ベースの知識グラフ埋め込みは、関係を幾何学的領域として表現する。
既存のアプローチは、構成をモデル化する能力に厳しく制限されている。
我々の八角形埋め込みは、非自明なルールベースを適切に捕捉できることを示します。
論文 参考訳(メタデータ) (2024-01-29T16:18:54Z) - TANGOS: Regularizing Tabular Neural Networks through Gradient
Orthogonalization and Specialization [69.80141512683254]
TANGOS(Tbular Neural Gradient Orthogonalization and gradient)を紹介する。
TANGOSは、潜在ユニット属性上に構築された表の設定を正規化するための新しいフレームワークである。
提案手法は,他の一般的な正規化手法よりも優れ,サンプル外一般化性能の向上につながることを実証する。
論文 参考訳(メタデータ) (2023-03-09T18:57:13Z) - Efficiently Computing Local Lipschitz Constants of Neural Networks via
Bound Propagation [79.13041340708395]
リプシッツ定数は、堅牢性、公正性、一般化など、ニューラルネットワークの多くの性質と結びついている。
既存のリプシッツ定数の計算法は、相対的に緩い上界を生成するか、小さなネットワークに制限される。
ニューラルネットワークの局所リプシッツ定数$ell_infty$をクラーク・ヤコビアンのノルムを強く上向きに上向きに計算する効率的なフレームワークを開発する。
論文 参考訳(メタデータ) (2022-10-13T22:23:22Z) - Semantic Segmentation by Early Region Proxy [53.594035639400616]
本稿では,学習可能な領域のテッセルレーションとしてイメージを解釈することから始まる,新規で効率的なモデリングについて述べる。
領域のコンテキストをモデル化するために,Transformerを用いてシーケンス・ツー・シーケンス方式で領域を符号化する。
現在、符号化された領域埋め込みの上に、領域ごとのセマンティックセグメンテーションを行う。
論文 参考訳(メタデータ) (2022-03-26T10:48:32Z) - Variational Inference with Locally Enhanced Bounds for Hierarchical
Models [38.73307745906571]
本稿では, 階層モデルに対する拡張手法の適用に基づく変分境界の新たなファミリを提案する。
提案手法は,非バイアス勾配にサブサンプリングを用いることが自然に可能であり,より狭い境界を構築する手法のパワーを十分に活用できることを示す。
論文 参考訳(メタデータ) (2022-03-08T22:53:43Z) - EngineKGI: Closed-Loop Knowledge Graph Inference [37.15381932994768]
EngineKGIは、新しいクローズドループKG推論フレームワークである。
KGEとルール学習を組み合わせて、クローズドループパターンで相互に補完する。
我々のモデルはリンク予測タスクにおいて、他のベースラインよりも優れています。
論文 参考訳(メタデータ) (2021-12-02T08:02:59Z) - Rewriting a Deep Generative Model [56.91974064348137]
我々は,深層生成モデルによって符号化された特定の規則の操作という,新たな問題設定を導入する。
本稿では,ディープネットワークの層を線形連想メモリとして操作することで,所望のルールを変更する定式化を提案する。
本稿では,生成モデルのルールを対話的に変更し,望ましい効果を得られるユーザインタフェースを提案する。
論文 参考訳(メタデータ) (2020-07-30T17:58:16Z) - Attentive Normalization for Conditional Image Generation [126.08247355367043]
我々は、従来のインスタンス正規化の拡張である注意的正規化(AN)により、長距離依存を特徴づける。
自己注意型GANと比較して、注意的正規化はすべての位置の相関を測る必要がない。
クラス条件の画像生成とセマンティックインパインティングの実験により,提案モジュールの有効性が検証された。
論文 参考訳(メタデータ) (2020-04-08T06:12:25Z)
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。