論文の概要: Predictive Multiplicity of Knowledge Graph Embeddings in Link Prediction
- arxiv url: http://arxiv.org/abs/2408.08226v2
- Date: Fri, 4 Oct 2024 14:03:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-08 07:29:14.201642
- Title: Predictive Multiplicity of Knowledge Graph Embeddings in Link Prediction
- Title(参考訳): リンク予測における知識グラフ埋め込みの予測多重性
- Authors: Yuqicheng Zhu, Nico Potyka, Mojtaba Nayyeri, Bo Xiong, Yunjie He, Evgeny Kharlamov, Steffen Staab,
- Abstract要約: 知識グラフ埋め込み(KGE)モデルは知識グラフの不足リンクを予測するためにしばしば使用される。
複数のKG埋め込みはリンク予測にほぼ等しく機能するが、未知のクエリに対して矛盾する予測を与える。
ハイテイク領域におけるKGEベースのアプリケーションには重大なリスクが伴うが、KGEの研究では見落とされている。
- 参考スコア(独自算出の注目度): 31.79167587393948
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Knowledge graph embedding (KGE) models are often used to predict missing links for knowledge graphs (KGs). However, multiple KG embeddings can perform almost equally well for link prediction yet give conflicting predictions for unseen queries. This phenomenon is termed \textit{predictive multiplicity} in the literature. It poses substantial risks for KGE-based applications in high-stake domains but has been overlooked in KGE research. We define predictive multiplicity in link prediction, introduce evaluation metrics and measure predictive multiplicity for representative KGE methods on commonly used benchmark datasets. Our empirical study reveals significant predictive multiplicity in link prediction, with $8\%$ to $39\%$ testing queries exhibiting conflicting predictions. We address this issue by leveraging voting methods from social choice theory, significantly mitigating conflicts by $66\%$ to $78\%$ in our experiments.
- Abstract(参考訳): 知識グラフ埋め込み(KGE)モデルは、知識グラフ(KG)の欠落するリンクを予測するためにしばしば使用される。
しかし、複数のKG埋め込みはリンク予測にほぼ等しく機能するが、未知のクエリに対して矛盾する予測を与える。
この現象は文学において「textit{predictive multiplicity}」と呼ばれる。
ハイテイク領域におけるKGEベースのアプリケーションには重大なリスクが伴うが、KGEの研究では見落とされている。
我々は、リンク予測における予測多重度を定義し、評価指標を導入し、一般的なベンチマークデータセット上の代表的KGE法に対する予測多重度を測定する。
私たちの経験的研究は、リンク予測において重大な予測多重性を示し、矛盾する予測を示すクエリを8\%から39\%に削減しています。
社会選択理論から投票方法を活用することでこの問題に対処し、我々の実験では、紛争を6,6\%から7,8\%に大幅に軽減する。
関連論文リスト
- PageRank Bandits for Link Prediction [72.61386754332776]
リンク予測は、リコメンダシステムやナレッジグラフ補完といった幅広いアプリケーションを用いたグラフ学習において重要な問題である。
本稿では,リンク予測を逐次的意思決定プロセスとして再構成し,各リンク予測インタラクションを逐次的に行う。
本稿では,PageRankとコンテキスト的帯域を結合した新しい融合アルゴリズム PRB (PageRank Bandits) を提案する。
論文 参考訳(メタデータ) (2024-11-03T02:39:28Z) - Correct after Answer: Enhancing Multi-Span Question Answering with Post-Processing Method [11.794628063040108]
マルチスパン質問回答(Multi-Span Question Answering、MSQA)は、ある質問に答えるために、与えられたコンテキストから1つまたは複数の回答スパンを抽出するモデルを必要とする。
本稿では,不正確な予測処理に後処理戦略を用いるAnswering-Classifying-Correcting(ACC)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-22T08:04:32Z) - Conformalized Link Prediction on Graph Neural Networks [8.807684750444626]
グラフニューラルネットワーク(GNN)は様々なタスクに優れていますが、高い領域でのその応用は信頼性の低い予測によって妨げられます。
本稿では,GNNに基づくリンク予測の統計的保証を伴う予測区間を構築するために,分布自由かつモデルに依存しない不確実性定量化手法を提案する。
論文 参考訳(メタデータ) (2024-06-26T21:17:37Z) - Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。
設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。
5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
論文 参考訳(メタデータ) (2024-03-15T12:00:12Z) - Enhancing Hyperedge Prediction with Context-Aware Self-Supervised
Learning [64.46188414653204]
我々は新しいハイパーエッジ予測フレームワーク(CASH)を提案する。
CASHは、コンテキスト認識ノードアグリゲーションを用いて、(C1)ハイパーエッジの各ノード間の複雑な関係をキャプチャし、(2)ハイパーエッジ予測のコンテキストにおける自己教師付きコントラスト学習を行い、(C2)ハイパーグラフ表現を強化する。
6つの実世界のハイパーグラフの実験により、CASHはハイパーエッジ予測の精度で競合する全ての手法を一貫して上回っていることが明らかとなった。
論文 参考訳(メタデータ) (2023-09-11T20:06:00Z) - NETpred: Network-based modeling and prediction of multiple connected
market indices [8.122270502556372]
我々は、複数の関連指標とその在庫を表す新しいグラフを生成する、NETpredというフレームワークを紹介した。
次に、状態空間の異なる部分をカバーし、価格の動きを正確に予測できる多様な代表ノードの集合を徹底的に選択する。
得られたモデルを使用して、最終的に集約されたストックラベルを予測し、グラフ内のすべてのインデックスノードのラベルを推測する。
論文 参考訳(メタデータ) (2022-12-02T17:23:09Z) - Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。
我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
論文 参考訳(メタデータ) (2022-07-20T14:41:09Z) - 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) - Adversarial Learning for Debiasing Knowledge Graph Embeddings [9.53284633479507]
社会的・文化的偏見は、異なる集団や少数民族に有害な結果をもたらす可能性がある。
本稿では,知識グラフ(KG)の埋め込みにおいて,そのようなバイアスを識別し緩和することを目的とする。
我々は、FAN(Filtering Adversarial Network)と呼ばれる、KG埋め込みから機密属性情報をフィルタリングする新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2020-06-29T18:36:15Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳(メタデータ) (2020-03-10T09:15:42Z)
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。