論文の概要: Anomaly Detection and Classification in Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2412.04780v1
- Date: Fri, 06 Dec 2024 05:03:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-09 15:55:39.378654
- Title: Anomaly Detection and Classification in Knowledge Graphs
- Title(参考訳): 知識グラフにおける異常検出と分類
- Authors: Asara Senaratne, Peter Christen, Pouya Omran, Graham Williams,
- Abstract要約: 知識グラフにおける異常な三重項や実体を検出するための教師なしアプローチであるSEKA(Seeking Knowledge Graph Anomalies)を提案する。
また, TAXOはKGに出現する可能性のある異常型の分類法である。
実世界の4つのKG, YAGO-1, KBpedia, Wikidata, DSKGを用いて, 両者のアプローチを評価する。
- 参考スコア(独自算出の注目度): 1.2599533416395767
- License:
- Abstract: Anomalies such as redundant, inconsistent, contradictory, and deficient values in a Knowledge Graph (KG) are unavoidable, as these graphs are often curated manually, or extracted using machine learning and natural language processing techniques. Therefore, anomaly detection is a task that can enhance the quality of KGs. In this paper, we propose SEKA (SEeking Knowledge graph Anomalies), an unsupervised approach for the detection of abnormal triples and entities in KGs. SEKA can help improve the correctness of a KG whilst retaining its coverage. We propose an adaption of the Path Rank Algorithm (PRA), named the Corroborative Path Rank Algorithm (CPRA), which is an efficient adaptation of PRA that is customized to detect anomalies in KGs. Furthermore, we also present TAXO (TAXOnomy of anomaly types in KGs), a taxonomy of possible anomaly types that can occur in a KG. This taxonomy provides a classification of the anomalies discovered by SEKA with an extensive discussion of possible data quality issues in a KG. We evaluate both approaches using the four real-world KGs YAGO-1, KBpedia, Wikidata, and DSKG to demonstrate the ability of SEKA and TAXO to outperform the baselines.
- Abstract(参考訳): 知識グラフ(KG)における冗長、矛盾、矛盾、欠陥などの異常は避けられないが、これらのグラフはしばしば手動でキュレートされるか、機械学習や自然言語処理技術を用いて抽出される。
したがって、異常検出はKGの品質を高めるタスクである。
本稿では,KGにおける異常な三重項や実体を検出するための教師なしアプローチであるSEKA(Seeking Knowledge Graph Anomalies)を提案する。
SEKAは、そのカバレッジを維持しながら、KGの正確性を改善するのに役立つ。
我々は,KGの異常を検出するためにカスタマイズされたPRAの適応であるCorroborative Path Rank Algorithm (CPRA) と呼ばれるパスランクアルゴリズム(PRA)の適応を提案する。
さらに, TAXO (TAXOnomy of anomaly types in KGs) は, KGに発生する可能性のある異常型の分類法である。
この分類法は、SEKAによって発見された異常の分類を提供し、KGにおけるデータ品質の問題について広範囲に議論する。
実世界の4つのKG YAGO-1,KBpedia,Wikidata,DSKG を用いて,SEKA と TAXO がベースラインを上回っていることを示す。
関連論文リスト
- Ontology-grounded Automatic Knowledge Graph Construction by LLM under Wikidata schema [60.42231674887294]
本稿では,Large Language Models (LLMs) を用いた知識グラフ構築のためのオントロジー的アプローチを提案する。
我々は、一貫性と解釈可能性を確保するために、抽出された関係に基づいて、著者によるオントロジーによるKGの基底生成を行う。
我々の研究は、人間の介入を最小限に抑えたスケーラブルなKG建設パイプラインの実現に向けて有望な方向を示し、高品質で人間に解釈可能なKGを生み出す。
論文 参考訳(メタデータ) (2024-12-30T13:36:05Z) - Learning Rules from KGs Guided by Language Models [48.858741745144044]
ルール学習手法は、潜在的に欠落する事実を予測するために適用することができる。
規則のランク付けは、高度に不完全あるいは偏りのあるKGよりも特に難しい。
近年のLanguage Models (LM) の台頭により、いくつかの研究が、LMがKG補完の代替手段として利用できると主張している。
論文 参考訳(メタデータ) (2024-09-12T09:27:36Z) - Online Detection of Anomalies in Temporal Knowledge Graphs with Interpretability [19.457465167667287]
AnoTは時間知識グラフにおけるオンライン異常検出の解釈に適した効率的なTKG要約法である。
4つの実世界のデータセットの実験結果は、AnoTが既存の手法を精度と相互運用性の点ではるかに上回っていることを示している。
論文 参考訳(メタデータ) (2024-08-01T18:46:05Z) - Explainable Sparse Knowledge Graph Completion via High-order Graph
Reasoning Network [111.67744771462873]
本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。
高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。
情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
論文 参考訳(メタデータ) (2022-07-14T10:16:56Z) - DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation
with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。
そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。
実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文 参考訳(メタデータ) (2021-08-26T16:19:59Z) - Typing Errors in Factual Knowledge Graphs: Severity and Possible Ways
Out [11.534085606272242]
金と雑音の両方のラベルの利用を最大化する能動的型付き誤り検出アルゴリズムを提案する。
本研究の結果は、研究者がノイズの多い事実KGを使用するためのガイドラインを提供する。
論文 参考訳(メタデータ) (2021-02-03T21:47:37Z) - Entity Type Prediction in Knowledge Graphs using Embeddings [2.7528170226206443]
オープンナレッジグラフ(DBpedia、Wikidata、YAGOなど)は、データマイニングと情報検索の分野における多様なアプリケーションのバックボーンとして認識されている。
これらのKGのほとんどは、スナップショットからの自動情報抽出またはユーザーが提供する情報蓄積によって作成されるか、ウィキペディアを用いて作成される。
これらのKGの型情報は、しばしばうるさい、不完全、不正確である。
KG埋め込みを用いたエンティティタイピングのためのマルチラベル分類手法を提案する。
論文 参考訳(メタデータ) (2020-04-28T17:57:08Z) - Toward Subgraph-Guided Knowledge Graph Question Generation with Graph
Neural Networks [53.58077686470096]
知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。
本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
論文 参考訳(メタデータ) (2020-04-13T15:43:22Z) - What is Normal, What is Strange, and What is Missing in a Knowledge
Graph: Unified Characterization via Inductive Summarization [34.3446695203147]
ここでは,KGを教師なしKG要約として定式化することにより,KG特徴量に対する統一解を導入する。
KGistは最小記述長原理に従ってKGを最もよく圧縮する帰納規則の要約を学習する。
KGistは, エラー検出や不完全性同定において, タスク固有の, 教師あり, 教師なしのベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-03-23T17:38:31Z) - Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。
理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。
我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
論文 参考訳(メタデータ) (2020-02-17T03:23:13Z)
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。