論文の概要: Bottom-up Anytime Discovery of Generalised Multimodal Graph Patterns for Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2410.05839v1
- Date: Tue, 8 Oct 2024 09:07:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-01 12:30:00.632602
- Title: Bottom-up Anytime Discovery of Generalised Multimodal Graph Patterns for Knowledge Graphs
- Title(参考訳): 知識グラフのための一般化マルチモーダルグラフパターンのボトムアップ随時発見
- Authors: Xander Wilcke, Rick Mourits, Auke Rijpma, Richard Zijdeman,
- Abstract要約: 本稿では,知識グラフにおける一般化マルチモーダルグラフパターンのボトムアップ発見のためのアルゴリズムを提案する。
発見されると、パターンはSPARQLクエリに変換され、インタラクティブなファセットブラウザで表示される。
我々は,人文科学分野の専門家の助けを借りて,ユーザの視点から評価を行った。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Vast amounts of heterogeneous knowledge are becoming publicly available in the form of knowledge graphs, often linking multiple sources of data that have never been together before, and thereby enabling scholars to answer many new research questions. It is often not known beforehand, however, which questions the data might have the answers to, potentially leaving many interesting and novel insights to remain undiscovered. To support scholars during this scientific workflow, we introduce an anytime algorithm for the bottom-up discovery of generalized multimodal graph patterns in knowledge graphs. Each pattern is a conjunction of binary statements with (data-) type variables, constants, and/or value patterns. Upon discovery, the patterns are converted to SPARQL queries and presented in an interactive facet browser together with metadata and provenance information, enabling scholars to explore, analyse, and share queries. We evaluate our method from a user perspective, with the help of domain experts in the humanities.
- Abstract(参考訳): 膨大な量の異種知識が知識グラフの形で公開され、しばしば複数のデータソースをリンクし、研究者が多くの新しい研究質問に答えることを可能にする。
しかし、データに答えがあるかもしれないという疑問が浮かび上がっており、興味深い新しい洞察が残されている可能性がある。
この科学的ワークフローにおいて研究者を支援するため、知識グラフにおける一般化マルチモーダルグラフパターンのボトムアップ発見のための任意のアルゴリズムを導入する。
各パターンはバイナリステートメントと(データ-)型変数、定数、および/または値パターンの結合です。
発見されると、パターンはSPARQLクエリに変換され、メタデータと証明情報とともにインタラクティブなファセットブラウザで表示され、研究者がクエリを探索、分析、共有することができる。
我々は,人文科学分野の専門家の助けを借りて,ユーザの視点から評価を行った。
関連論文リスト
- Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective [55.79507207292647]
知識グラフ推論は、データマイニング、人工知能、Web、社会科学など、さまざまな分野において重要である。
ニューラルAIの台頭は、深層学習の頑健さと象徴的推論の精度を融合させることで、大きな進歩を見せている。
大規模言語モデル(LLM)の出現により、知識グラフ推論の新しいフロンティアが開かれた。
論文 参考訳(メタデータ) (2024-11-30T18:54:08Z) - A large collection of bioinformatics question-query pairs over federated knowledge graphs: methodology and applications [0.0838491111002084]
本稿では,生物情報学の知識グラフを用いた人文自然言語質問とそれに対応するSPARQLクエリについて紹介する。
既存の標準に基づいて,サンプルを最小限のメタデータで一様に表現する手法を提案する。
論文 参考訳(メタデータ) (2024-10-08T13:08:07Z) - Fine-Grained Stateful Knowledge Exploration: A Novel Paradigm for Integrating Knowledge Graphs with Large Language Models [19.049828741139425]
大きな言語モデル(LLM)は印象的な能力を示していますが、その知識を更新することは大きな課題です。
既存のほとんどのメソッドは、質問を目的として扱うパラダイムを使用し、関連する知識は知識グラフから漸進的に取得される。
本稿では,情報粒度ミスマッチ問題に対処する,微粒なステートフル知識探索のための新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2024-01-24T13:36:50Z) - End-to-End Learning on Multimodal Knowledge Graphs [0.0]
本稿では,グラフ構造からエンドツーエンドを学習するマルチモーダルメッセージパッシングネットワークを提案する。
我々のモデルは、専用(神経)エンコーダを使用して、5種類のモードに属するノードの特徴の埋め込みを自然に学習する。
この結果から,任意の知識グラフからエンド・ツー・エンドのマルチモーダル学習が可能であることが示唆された。
論文 参考訳(メタデータ) (2023-09-03T13:16:18Z) - Learning Representations without Compositional Assumptions [79.12273403390311]
本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。
また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
論文 参考訳(メタデータ) (2023-05-31T10:36:10Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳(メタデータ) (2022-12-12T08:40:04Z) - Leveraging Wikidata's edit history in knowledge graph refinement tasks [77.34726150561087]
編集履歴は、コミュニティが何らかのファジィで分散した合意に達する過程を表す。
Wikidataで最も重要な100のクラスから、すべてのインスタンスの編集履歴を含むデータセットを構築します。
タイプ予測タスクのための知識グラフ埋め込みモデルにおいて,この編集履歴情報を活用する2つの新しい手法を提案し,評価する。
論文 参考訳(メタデータ) (2022-10-27T14:32:45Z) - Step out of KG: Knowledge Graph Completion via Knowledgeable Retrieval
and Reading Comprehension [33.77833862891007]
本稿では,情報検索と読解理解に基づく新しいモデル,IR4KGCを提案する。
具体的には,三重項に関連する文書を検索可能な知識ベース情報検索モジュールを事前訓練し,検索した文書を読解モジュールに渡して予測された回答を生成する。
実験では,既存の知識から推測できない関係をよく解き,KGCデータセット上で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2022-10-12T04:50:55Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z) - A Survey on Knowledge Graphs: Representation, Acquisition and
Applications [89.78089494738002]
我々は,1)知識グラフ表現学習,2)知識獲得と完成,3)時間的知識グラフ,および4)知識認識アプリケーションに関する研究トピックをレビューする。
知識獲得、特に知識グラフの完成、埋め込み方法、経路推論、論理ルール推論について概観する。
メタラーニング、コモンセンス推論、時間的知識グラフなど、いくつかの新しいトピックを探求する。
論文 参考訳(メタデータ) (2020-02-02T13:17:31Z)
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。