論文の概要: Faithful Differentiable Reasoning with Reshuffled Region-based Embeddings

• arxiv url: http://arxiv.org/abs/2406.09529v2
• Date: Sat, 26 Jul 2025 10:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:55.264539
• Title: Faithful Differentiable Reasoning with Reshuffled Region-based Embeddings
• Title（参考訳）: Reshuffled Region-based Embeddingsを用いたFhithful Differentiable Reasoning
• Authors: Aleksandar Pavlovic, Emanuel Sallinger, Steven Schockaert,
• Abstract要約: 知識グラフ埋め込み法は、実体の幾何学的表現と関係を学習し、妥当な不足した知識を予測する。 我々は、より大規模なルールベースを忠実にキャプチャできる制約の順序付けに基づくモデルであるRESHUFFLEを提案する。 フレームワークへのエンティティの埋め込みは、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。
• 参考スコア（独自算出の注目度）: 62.93577376960498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph (KG) embedding methods learn geometric representations of entities and relations to predict plausible missing knowledge. These representations are typically assumed to capture rule-like inference patterns. However, our theoretical understanding of which inference patterns can be captured remains limited. Ideally, KG embedding methods should be expressive enough such that for any set of rules, there exist relation embeddings that exactly capture these rules. This principle has been studied within the framework of region-based embeddings, but existing models are severely limited in the kinds of rule bases that can be captured. We argue that this stems from the fact that entity embeddings are only compared in a coordinate-wise fashion. As an alternative, we propose RESHUFFLE, a simple model based on ordering constraints that can faithfully capture a much larger class of rule bases than existing approaches. Most notably, RESHUFFLE can capture bounded inference w.r.t. arbitrary sets of closed path rules. The entity embeddings in our framework can be learned by a Graph Neural Network (GNN), which effectively acts as a differentiable rule base.
• Abstract（参考訳）: 知識グラフ(KG)埋め込み手法は、実体と関係の幾何学的表現を学習し、妥当な不足した知識を予測する。 これらの表現は典型的には規則のような推論パターンを捉えていると仮定される。 しかし、どの推論パターンを捉えることができるかという理論的理解は依然として限られている。 理想的には、KG埋め込み法は、任意の規則に対して、これらの規則を正確に捉えた関係埋め込みが存在するように十分に表現されなければならない。 この原理は、地域ベースの埋め込みの枠組みの中で研究されてきたが、既存のモデルは捕獲可能なルールベースの種類に非常に制限されている。 これは、エンティティの埋め込みが座標的にのみ比較されるという事実に由来すると我々は主張する。 代替として、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。 最も注目すべきは、RESHUFFLEは閉経路規則の任意の集合の有界推論w.r.t.をキャプチャできることである。 フレームワークへのエンティティの埋め込みは、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。

関連論文リスト

• Regret Bounds for Robust Online Decision Making [49.1574468325115]
  構造化された観察による意思決定」を一般化する枠組みを提案する。 この枠組みでは、各モデルは各決定を結果に対する確率分布の凸集合と関連付ける。 次に、この枠組みに対する後悔の束縛の理論を導出します。
  論文  参考訳（メタデータ） (2025-04-09T12:25:00Z)
• Neuro-Symbolic Temporal Point Processes [13.72758658973969]
  本稿では,時間点プロセスモデルにニューラル・シンボリック・ルール誘導フレームワークを導入する。 負の対数類似性は学習を導く損失であり、説明論理則とその重みがエンドツーエンドで学習される。 提案手法は, 合成データセットおよび実データセット間で, 顕著な効率性と精度を示す。
  論文  参考訳（メタデータ） (2024-06-06T09:52:56Z)
• 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)
• Probabilistic Truly Unordered Rule Sets [4.169915659794567]
  真に順序のない規則集合に対するTURSを提案する。 我々はルールセットの確率的特性を利用して、類似した確率的出力を持つ場合のみ規則が重複することを許すという直観を生かしている。 我々は,幅広いルールベースの手法に対してベンチマークを行い,モデルの複雑さを低くし,高い競争力のある予測性能を持つルールセットを学習できることを実証した。
  論文  参考訳（メタデータ） (2024-01-18T12:03:19Z)
• 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)
• 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)
• 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)
• 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)
• Differentiable Rule Induction with Learned Relational Features [9.193818627108572]
  Rule Network(RRN)は、属性間の線形関係を表す述語とそれらを使用するルールを学習するニューラルネットワークである。 ベンチマークタスクでは、これらの述語は解釈可能性を維持するのに十分単純であるが、予測精度を改善し、アートルール誘導アルゴリズムの状態と比較してより簡潔なルールセットを提供する。
  論文  参考訳（メタデータ） (2022-01-17T16:46:50Z)
• 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)
• 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)
• 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。