論文の概要: TransBox: EL++-closed Ontology Embedding
- arxiv url: http://arxiv.org/abs/2410.14571v1
- Date: Fri, 18 Oct 2024 16:17:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-21 14:25:26.726018
- Title: TransBox: EL++-closed Ontology Embedding
- Title（参考訳）: TransBox: EL++クローズオントロジーの埋め込み
- Authors: Hui Yang, Jiaoyan Chen, Uli Sattler,
- Abstract要約: 我々は,多対一,一対多,多対多の関係を扱える効率的なEL++-クロース埋め込み法を開発した。
実験により,TransBoxは様々な実世界のデータセットにまたがって最先端のパフォーマンスを実現し,複雑な公理を予測できることを示した。
- 参考スコア（独自算出の注目度）: 14.850996103983187
- License:
- Abstract: OWL (Web Ontology Language) ontologies, which are able to represent both relational and type facts as standard knowledge graphs and complex domain knowledge in Description Logic (DL) axioms, are widely adopted in domains such as healthcare and bioinformatics. Inspired by the success of knowledge graph embeddings, embedding OWL ontologies has gained significant attention in recent years. Current methods primarily focus on learning embeddings for atomic concepts and roles, enabling the evaluation based on normalized axioms through specially designed score functions. However, they often neglect the embedding of complex concepts, making it difficult to infer with more intricate axioms. This limitation reduces their effectiveness in advanced reasoning tasks, such as Ontology Learning and ontology-mediated Query Answering. In this paper, we propose EL++-closed ontology embeddings which are able to represent any logical expressions in DL via composition. Furthermore, we develop TransBox, an effective EL++-closed ontology embedding method that can handle many-to-one, one-to-many and many-to-many relations. Our extensive experiments demonstrate that TransBox often achieves state-of-the-art performance across various real-world datasets for predicting complex axioms.
- Abstract（参考訳）: Webオントロジー言語(Web Ontology Language)オントロジーは、リレーショナルとタイプファクトの両方を標準的な知識グラフとして表現し、説明論理(DL)の公理で複雑なドメイン知識を表現し、医療やバイオインフォマティクスなどの領域で広く採用されている。
近年,知識グラフの埋め込みの成功に触発されてOWLオントロジの埋め込みが注目されている。
現在の手法は主に原子の概念と役割の埋め込みを学習することに焦点を当てており、特別に設計されたスコア関数による正規化公理に基づく評価を可能にしている。
しかし、それらはしばしば複雑な概念の埋め込みを無視し、より複雑な公理で推論することは困難である。
この制限は、オントロジー学習やオントロジーによるクエリアンサーリングのような高度な推論タスクにおける効率を低下させる。
本稿では,論理式を記述可能なEL++-closed Ontology Embeddingを提案する。
さらに,多対一,一対多,多対多の関係を扱える効率的なEL++クローズオントロジー埋め込み法であるTransBoxを開発した。
我々の広範な実験により、TransBoxは複雑な公理を予測するために、様々な実世界のデータセットで最先端のパフォーマンスを達成することがしばしば示されている。
関連論文リスト
- CLR-Fact: Evaluating the Complex Logical Reasoning Capability of Large Language Models over Factual Knowledge [44.59258397967782]
大規模言語モデル(LLM)は、様々な自然言語処理タスクにまたがる印象的な機能を示している。
本稿では,LLMの複雑な論理的推論能力の体系的評価について述べる。
LLMは一般世界の知識の推論に優れるが、専門分野固有の知識では重大な課題に直面している。
論文 参考訳（メタデータ） (2024-07-30T05:40:32Z) - Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
大規模言語モデル(LLM)に基づくKG上の複雑な推論スキーマを提案する。
任意の一階論理クエリを二分木分解により拡張し、LLMの推論能力を刺激する。
広く使われているデータセットに対する実験では、LACTは高度な手法よりも大幅に改善されている(平均+5.5% MRRスコア)。
論文 参考訳（メタデータ） (2024-05-02T18:12:08Z) - LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and
Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。
ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。
これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文 参考訳（メタデータ） (2023-09-24T05:43:19Z) - Modeling Hierarchical Reasoning Chains by Linking Discourse Units and
Key Phrases for Reading Comprehension [80.99865844249106]
本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。
具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
論文 参考訳（メタデータ） (2023-06-21T07:34:27Z) - Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph
Propagation [68.13453771001522]
画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。
我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
論文 参考訳（メタデータ） (2023-06-14T13:07:48Z) - ChatABL: Abductive Learning via Natural Language Interaction with
ChatGPT [72.83383437501577]
大規模言語モデル(LLM)は、最近数学的な能力において大きな可能性を証明している。
LLMは現在、認識、言語理解、推論能力のブリッジングに困難を抱えている。
本稿では, LLMを帰納学習フレームワークに統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2023-04-21T16:23:47Z) - Dual Box Embeddings for the Description Logic EL++ [16.70961576041243]
知識グラフ(KG)と同様に、知識グラフはしばしば不完全であり、それらの維持と構築は困難であることが証明された。
KGsと同様に、有望なアプローチは、潜在ベクトル空間への埋め込みを学習し、基礎となるDLのセマンティクスに固執することである。
そこで本研究では,概念と役割をボックスとして表現した,DL EL++用のBox$2$ELという新しいオントロジー埋め込み手法を提案する。
論文 参考訳（メタデータ） (2023-01-26T14:13:37Z) - Why Settle for Just One? Extending EL++ Ontology Embeddings with
Many-to-Many Relationships [2.599882743586164]
知識グラフ埋め込みは、知識グラフの実体と関係の低次元表現を提供する。
この方向の最近の取り組みは、EL++と呼ばれる記述(記述のための論理論理)への埋め込みの学習である。
我々は、埋め込み表現を学習しながら、多対多の関係を考慮できる、シンプルで効果的なソリューションを提供する。
論文 参考訳（メタデータ） (2021-10-20T13:23:18Z) - OWL2Vec*: Embedding of OWL Ontologies [27.169755467590836]
OWL2Vec* という名前のランダムウォークと単語埋め込みに基づく埋め込み手法を提案する。
OWL2Vec*は、グラフ構造、語彙情報、論理コンストラクタを考慮してOWLのセマンティクスを符号化する。
論文 参考訳（メタデータ） (2020-09-30T13:07:50Z) - SMT + ILP [12.47276164048813]
我々は、満足度モジュロ理論技術を活用して、帰納的宣言型プログラミングを再考する。
本稿では、満足度変調理論技術を活用して、帰納的宣言型プログラミングを再考する。
論文 参考訳（メタデータ） (2020-01-15T10:09:21Z)
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。