論文の概要: HyperCausalLP: Causal Link Prediction using Hyper-Relational Knowledge Graph
- arxiv url: http://arxiv.org/abs/2410.14679v1
- Date: Thu, 12 Sep 2024 21:01:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-27 07:38:03.306834
- Title: HyperCausalLP: Causal Link Prediction using Hyper-Relational Knowledge Graph
- Title(参考訳): HyperCausalLP:ハイパーリレーショナル知識グラフを用いた因果リンク予測
- Authors: Utkarshani Jaimini, Cory Henson, Amit Sheth,
- Abstract要約: 因果関係はしばしば因果関係が欠如している。
因果リンクAでは、BがCを引き起こすので、AからCの影響は仲介者として知られるBに影響される。
本稿では,媒体リンクの助けを借りて因果関係の欠如を見つけるために設計されたHyperCausalLPを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Causal networks are often incomplete with missing causal links. This is due to various issues, such as missing observation data. Recent approaches to the issue of incomplete causal networks have used knowledge graph link prediction methods to find the missing links. In the causal link A causes B causes C, the influence of A to C is influenced by B which is known as a mediator. Existing approaches using knowledge graph link prediction do not consider these mediated causal links. This paper presents HyperCausalLP, an approach designed to find missing causal links within a causal network with the help of mediator links. The problem of missing links is formulated as a hyper-relational knowledge graph completion. The approach uses a knowledge graph link prediction model trained on a hyper-relational knowledge graph with the mediators. The approach is evaluated on a causal benchmark dataset, CLEVRER-Humans. Results show that the inclusion of knowledge about mediators in causal link prediction using hyper-relational knowledge graph improves the performance on an average by 5.94% mean reciprocal rank.
- Abstract(参考訳): 因果関係はしばしば因果関係が欠如している。
これは観測データ不足など,さまざまな問題によるものだ。
不完全因果ネットワーク問題に対する最近のアプローチでは、不足するリンクを見つけるために知識グラフリンク予測法が用いられている。
因果リンクAでは、BがCを引き起こすので、AからCの影響は仲介者として知られるBに影響される。
知識グラフリンク予測を用いた既存のアプローチでは、これらの介在因果関係は考慮されていない。
本稿では、仲介者リンクの助けを借りて、因果関係の欠落を見つけるために設計されたHyperCausalLPを提案する。
リンク不足の問題は、ハイパーリレーショナルな知識グラフの補完として定式化されている。
このアプローチでは,ハイパーリレーショナルな知識グラフでトレーニングされた知識グラフリンク予測モデルをメディエータと併用する。
このアプローチは、因果ベンチマークデータセットであるCLEVRER-Humansで評価される。
その結果,ハイパーリレーショナルな知識グラフを用いた因果関係予測における仲介者に関する知識の含意は,平均的相互関係のランクを5.94%向上させることがわかった。
関連論文リスト
- Promoting Fairness in Link Prediction with Graph Enhancement [6.477859104817626]
リンク予測はネットワーク分析において重要な課題であるが、偏りのある予測の傾向が示されている。
本研究は,予測リンク確率が接続ノードの感度特性に依存しないことを保証するためのフェアリンク予測問題について検討する。
本稿では,FairLinkを提案する。このFairLinkは,リンク予測器のトレーニング中にデバイアスを回避し,公平性向上したグラフを学習する手法である。
論文 参考訳(メタデータ) (2024-09-13T09:18:29Z) - Influence of Backdoor Paths on Causal Link Prediction [0.0]
CausalLPBackは、バックドアパスを排除し、知識グラフリンク予測手法を使用する因果リンク予測の新しいアプローチである。
この評価には、因果リンク予測に関連するマルコフに基づく分割と呼ばれるユニークなデータセット分割方法が含まれる。
論文 参考訳(メタデータ) (2024-09-12T22:16:36Z) - CausalLP: Learning causal relations with weighted knowledge graph link prediction [5.3454230926797734]
CausalLPは知識グラフ補完問題として不完全因果ネットワークの問題を定式化している。
因果関係を表す知識グラフを使うことで、外部のドメイン知識の統合が可能になる。
CausalLPでは、因果的説明と因果的予測という2つの主要なタスクがサポートされている。
論文 参考訳(メタデータ) (2024-04-23T20:50:06Z) - Causal Lifting and Link Prediction [10.336445584242933]
リンク予測において経路依存を扱える最初の因果モデルを開発した。
構造的対埋め込みが低いバイアスを示し、タスクの因果構造を正しく表すことを示す。
因果関係予測タスクの3つのシナリオについて理論的知見を検証した。
論文 参考訳(メタデータ) (2023-02-02T16:25:16Z) - Counterfactual Fairness with Partially Known Causal Graph [85.15766086381352]
本稿では,真の因果グラフが不明な場合に,対実フェアネスの概念を実現するための一般的な手法を提案する。
特定の背景知識が提供されると、正の因果グラフが完全に知られているかのように、反ファクト的公正性を達成することができる。
論文 参考訳(メタデータ) (2022-05-27T13:40:50Z) - Hyper-relationship Learning Network for Scene Graph Generation [95.6796681398668]
本稿では,シーングラフ生成のためのハイパーリレーショナル学習ネットワークHLNを提案する。
我々は最も人気のあるSGGデータセット、すなわちVisual Genomeデータセット上でHLNを評価する。
例えば、提案されたHLNは、関係ごとのリコールを11.3%から13.1%に改善し、画像毎のリコールを19.8%から34.9%に維持する。
論文 参考訳(メタデータ) (2022-02-15T09:26:16Z) - Deconfounded Training for Graph Neural Networks [98.06386851685645]
本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。
具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。
これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
論文 参考訳(メタデータ) (2021-12-30T15:22:35Z) - Fuzzy Stochastic Timed Petri Nets for Causal properties representation [68.8204255655161]
因果関係はしばしば有向グラフで表され、原因を示すノードと因果関係を表すリンクがある。
因果シナリオをグラフィカルに表現するために使われる一般的な方法は、ニューロン、真理表、因果ベイズネットワーク、認知地図、ペトリネットである。
従来のモデルは、前述のプロパティのいくつかを別々に表現できるが、それら全てをはっきりと説明しようとはしないことを示す。
論文 参考訳(メタデータ) (2020-11-24T13:22:34Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳(メタデータ) (2020-10-20T05:54:31Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-06-11T17:42:46Z) - Uncertainty Weighted Causal Graphs [0.0]
因果関係は伝統的に、影響に関係して知識を生み出す科学的方法であった。
引用グラフにおける不確実性の管理を確率論的に改善することで、グラフの不確実性をさらにモデル化しようと試みる。
論文 参考訳(メタデータ) (2020-02-02T16:32:04Z)
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。