論文の概要: Complex Logical Query Answering by Calibrating Knowledge Graph Completion Models
- arxiv url: http://arxiv.org/abs/2410.07165v1
- Date: Mon, 30 Sep 2024 06:51:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 21:56:57.448334
- Title: Complex Logical Query Answering by Calibrating Knowledge Graph Completion Models
- Title（参考訳）: 知識グラフ補完モデルの校正による複雑な論理的問合せ解法
- Authors: Changyi Xiao, Yixin Cao,
- Abstract要約: 複雑な論理的クエリ応答タスクは、不完全知識グラフ上の複雑な論理的クエリに対する応答エンティティを見つけることを含む。
これまでの研究では、KGに欠けている事実を予測できる事前学習知識グラフ補完(KGC)モデルの使用について検討されてきた。
そこで本研究では,複雑な論理的クエリに適応可能なKGCモデルのキャリブレーション手法であるCKGCを提案する。
- 参考スコア（独自算出の注目度）: 7.051174443949839
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complex logical query answering (CLQA) is a challenging task that involves finding answer entities for complex logical queries over incomplete knowledge graphs (KGs). Previous research has explored the use of pre-trained knowledge graph completion (KGC) models, which can predict the missing facts in KGs, to answer complex logical queries. However, KGC models are typically evaluated using ranking evaluation metrics, which may result in values of predictions of KGC models that are not well-calibrated. In this paper, we propose a method for calibrating KGC models, namely CKGC, which enables KGC models to adapt to answering complex logical queries. Notably, CKGC is lightweight and effective. The adaptation function is simple, allowing the model to quickly converge during the adaptation process. The core concept of CKGC is to map the values of predictions of KGC models to the range [0, 1], ensuring that values associated with true facts are close to 1, while values linked to false facts are close to 0. Through experiments on three benchmark datasets, we demonstrate that our proposed calibration method can significantly boost model performance in the CLQA task. Moreover, our approach can enhance the performance of CLQA while preserving the ranking evaluation metrics of KGC models. The code is available at https://github.com/changyi7231/CKGC.
- Abstract（参考訳）: 複雑な論理的クエリ応答(CLQA)は、不完全知識グラフ(KG)上の複雑な論理的クエリに対する応答エンティティを見つけることを伴う、難しいタスクである。
これまでの研究では、KGの欠落した事実を予測し、複雑な論理的クエリに応答する、事前学習された知識グラフ補完(KGC)モデルの使用について検討されてきた。
しかし、KGCモデルは通常、ランキング評価指標を用いて評価され、うまく校正されていないKGCモデルの予測値が得られる。
本稿では,複雑な論理的クエリに適応可能なKGCモデルのキャリブレーション手法であるCKGCを提案する。
特にCKGCは軽量で効果的である。
適応関数は単純で、適応過程中にモデルを素早く収束させることができる。
CKGCの中核となる概念は、KGCモデルの予測値を [0, 1] の範囲にマッピングし、真事実に関連付けられた値が 1 に近く、偽事実に関連付けられた値が 0 に近いことを保証することである。
3つのベンチマークデータセットの実験を通して,提案手法がCLQAタスクのモデル性能を大幅に向上させることができることを示す。
さらに,本手法は,KGCモデルのランキング評価指標を保存しながら,CLQAの性能を向上させることができる。
コードはhttps://github.com/changyi7231/CKGCで公開されている。
関連論文リスト
- Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs [51.33342412699939]
知識グラフクエリ埋め込み(KGQE)は、不完全なKGに対する複雑な推論のために、低次元KG空間に一階論理(FOL)クエリを埋め込むことを目的としている。
近年の研究では、FOLクエリの論理的セマンティクスをよりよく捉えるために、さまざまな外部情報(エンティティタイプや関係コンテキストなど)を統合している。
コードのようなクエリ命令から遅延クエリパターンをキャプチャする効果的なクエリ命令解析(QIPP)を提案する。
論文 参考訳（メタデータ） (2024-10-27T03:18:52Z) - Is Complex Query Answering Really Complex? [28.8459899849641]
CQAの現在のベンチマークはそれほど複雑ではなく、それらの構築方法がこの分野の進歩に対する認識を歪めていることを示している。
我々は、複数のホップを推論し、現実世界のKGの構築をより良く反映するモデルを必要とするクエリで構成された、より困難なベンチマークセットを提案する。
論文 参考訳（メタデータ） (2024-10-16T13:19:03Z) - Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。
本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。
オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
論文 参考訳（メタデータ） (2024-03-21T13:52:30Z) - Separate-and-Aggregate: A Transformer-based Patch Refinement Model for
Knowledge Graph Completion [28.79628925695775]
本稿では,知識グラフ補完のための新しいトランスフォーマーベースのパッチリファインメントモデル(PatReFormer)を提案する。
我々は4つのKGCベンチマーク(WN18RR, FB15k-237, YAGO37, DB100K)で実験を行った。
実験結果から, 既存のKGC法と標準KGC評価指標との有意な性能向上が得られた。
論文 参考訳（メタデータ） (2023-07-11T06:27:13Z) - ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。
本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。
次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
論文 参考訳（メタデータ） (2023-06-04T02:55:25Z) - Cardinality Estimation over Knowledge Graphs with Embeddings and Graph Neural Networks [0.552480439325792]
KG(Cardinality Estimation over Knowledge Graphs)は、クエリ最適化において重要である。
本稿では,知識グラフ埋め込みとグラフニューラルネットワーク(GNN)を活用して,結合クエリの濃度を正確に予測する新しい手法であるGNCEを提案する。
論文 参考訳（メタデータ） (2023-03-02T10:39:13Z) - KGxBoard: Explainable and Interactive Leaderboard for Evaluation of
Knowledge Graph Completion Models [76.01814380927507]
KGxBoardは、データの意味のあるサブセットを詳細に評価するためのインタラクティブなフレームワークである。
実験では,KGxBoardを用いることで,標準平均シングルスコアメトリクスでは検出が不可能であったことを強調した。
論文 参考訳（メタデータ） (2022-08-23T15:11:45Z) - GreenKGC: A Lightweight Knowledge Graph Completion Method [32.528770408502396]
GreenKGCは、知識グラフ内のエンティティ間の欠落した関係を見つけることを目的としている。
表現学習、特徴抽出、決定学習の3つのモジュールで構成されている。
低次元では、GreenKGCはほとんどのデータセットでSOTAメソッドより優れている。
論文 参考訳（メタデータ） (2022-08-19T03:33:45Z) - Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。
提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
論文 参考訳（メタデータ） (2022-02-22T01:34:35Z) - Rethinking Graph Convolutional Networks in Knowledge Graph Completion [83.25075514036183]
グラフ畳み込みネットワーク(GCN)は知識グラフ補完(KGC)においてますます人気が高まっている。
本稿では,代表的なGCNベースのKGCモデルを構築し,GCNのどの要因がKGCに重要なのかを明らかにする。
本稿では,既存のKGEモデルに線形変換されたエンティティ埋め込みを組み込む,LTE-KGEというシンプルなフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-08T11:36:18Z)
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。