論文の概要: eXpath: Explaining Knowledge Graph Link Prediction with Ontological Closed Path Rules
- arxiv url: http://arxiv.org/abs/2412.04846v1
- Date: Fri, 06 Dec 2024 08:33:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-09 15:57:45.066457
- Title: eXpath: Explaining Knowledge Graph Link Prediction with Ontological Closed Path Rules
- Title(参考訳): eXpath: オントロジクローズドパスルールによる知識グラフリンク予測の説明
- Authors: Ye Sun, Lei Shi, Yongxin Tong,
- Abstract要約: リンク予測(LP)は知識グラフ(KG)の完成には不可欠だが、一般的には解釈可能性の問題に悩まされる。
本稿では,KGにおけるLPモデルについて,経路に基づく説明を用いて説明する。
- 参考スコア(独自算出の注目度): 12.802269132505364
- License:
- Abstract: Link prediction (LP) is crucial for Knowledge Graphs (KG) completion but commonly suffers from interpretability issues. While several methods have been proposed to explain embedding-based LP models, they are generally limited to local explanations on KG and are deficient in providing human interpretable semantics. Based on real-world observations of the characteristics of KGs from multiple domains, we propose to explain LP models in KG with path-based explanations. An integrated framework, namely eXpath, is introduced which incorporates the concept of relation path with ontological closed path rules to enhance both the efficiency and effectiveness of LP interpretation. Notably, the eXpath explanations can be fused with other single-link explanation approaches to achieve a better overall solution. Extensive experiments across benchmark datasets and LP models demonstrate that introducing eXpath can boost the quality of resulting explanations by about 20% on two key metrics and reduce the required explanation time by 61.4%, in comparison to the best existing method. Case studies further highlight eXpath's ability to provide more semantically meaningful explanations through path-based evidence.
- Abstract(参考訳): リンク予測(LP)は知識グラフ(KG)の完成には不可欠だが、一般的には解釈可能性の問題に悩まされる。
埋め込み型LPモデルを説明するためにいくつかの方法が提案されているが、一般的にはKGの局所的な説明に限られており、人間の解釈可能な意味論を提供するには不十分である。
複数の領域からのKGの特性を実世界の観測に基づいて,経路に基づく説明によるKGのLPモデルの説明を提案する。
LP解釈の効率性と有効性を高めるために,関係パスの概念をオントロジクローズドパスルールに組み込んだ統合フレームワーク eXpath が導入された。
特に、eXpathの説明は他のシングルリンクの説明手法と融合して、より優れた全体的なソリューションを実現することができる。
ベンチマークデータセットとLPモデルにわたる大規模な実験により、eXpathの導入は、2つの主要な指標で約20%、必要な説明時間を61.4%削減できることを示した。
ケーススタディでは、経路に基づく証拠を通してより意味のある説明を提供するeXpathの能力をさらに強調している。
関連論文リスト
- Graph-constrained Reasoning: Faithful Reasoning on Knowledge Graphs with Large Language Models [83.28737898989694]
大規模言語モデル(LLM)は知識ギャップと幻覚のために忠実な推論に苦しむ。
グラフ制約推論(GCR)は、KGにおける構造的知識とLLMにおける非構造的推論を橋渡しする新しいフレームワークである。
GCRは最先端のパフォーマンスを達成し、追加のトレーニングをすることなく、見えないKGに対して強力なゼロショット一般化性を示す。
論文 参考訳(メタデータ) (2024-10-16T22:55:17Z) - Look Globally and Reason: Two-stage Path Reasoning over Sparse Knowledge Graphs [70.8150181683017]
スパース知識グラフ(英: Sparse Knowledge Graphs、KG)は、より人口密度の高いKGに比べて、(ヘッドエンティティ、リレーショナル、テールエンティティ)の形での事実が少ない。
スパースKGに対してLoGRe(Look Globally and Reason)と呼ばれる2段階経路推論モデルを提案する。
論文 参考訳(メタデータ) (2024-07-26T07:10:27Z) - Path-based Explanation for Knowledge Graph Completion [17.541247786437484]
GNNベースの知識グラフ補完モデルの結果に対する適切な説明は、モデルの透明性を高める。
KGCタスクを説明するための既存のプラクティスは、インスタンス/サブグラフベースのアプローチに依存している。
我々は、GNNベースのモデルを探索する最初のパスベースのKGC説明器であるPower-Linkを提案する。
論文 参考訳(メタデータ) (2024-01-04T14:19:37Z) - Anchoring Path for Inductive Relation Prediction in Knowledge Graphs [69.81600732388182]
APSTはAPとCPを統一されたSentence Transformerアーキテクチャの入力として扱う。
我々は3つの公開データセット上でAPSTを評価し、36のトランスダクティブ、インダクティブ、および数ショットの実験的設定のうち30の最先端(SOTA)性能を達成する。
論文 参考訳(メタデータ) (2023-12-21T06:02:25Z) - Faithful Path Language Modeling for Explainable Recommendation over Knowledge Graph [15.40937702266105]
PEARLM (Path-based Explainable-Accurate Recommender based on Language Modelling) を導入し,知識グラフ制約デコーディング(KGCD)機構を改良した。
この機構は、復号レベルで有効なKG接続に付着させることにより、劣化した経路のゼロ発生を保証する。
本手法の有効性を厳密な経験的評価により検証し,説明経路の整合性を定量化する指標を新たに提案した。
論文 参考訳(メタデータ) (2023-10-25T08:14:49Z) - PaGE-Link: Path-based Graph Neural Network Explanation for Heterogeneous
Link Prediction [37.57586847539004]
透明性と説明責任は、ブラックボックス機械学習(ML)モデルの主要な関心事となっている。
本稿では、接続解釈性のある説明を生成するヘテロジニアスリンク予測(PaGE-Link)のためのパスベースのGNN説明法を提案する。
本研究では,PaGE-Linkが生成した説明により,引用グラフとユーザ項目グラフの推奨値が9~35%向上し,人的評価において78.79%の回答が選択された。
論文 参考訳(メタデータ) (2023-02-24T05:43:47Z) - Multi-Aspect Explainable Inductive Relation Prediction by Sentence
Transformer [60.75757851637566]
本稿では,モデル学習に先立って信頼できない経路をフィルタリングし,モデル性能を高めるための関係経路カバレッジと関係経路信頼の概念を紹介する。
知識グラフにおける帰納関係を予測するために,知識推論文変換器(KRST)を提案する。
論文 参考訳(メタデータ) (2023-01-04T15:33:49Z) - Supporting Vision-Language Model Inference with Confounder-pruning Knowledge Prompt [71.77504700496004]
視覚言語モデルは、オープンセットの視覚概念を扱うために、画像とテキストのペアを共通の空間に整列させることで事前訓練される。
事前訓練されたモデルの転送可能性を高めるため、最近の研究では、固定または学習可能なプロンプトが採用されている。
しかし、どのようにして、どのプロンプトが推論性能を改善するのかは、まだ不明である。
論文 参考訳(メタデータ) (2022-05-23T07:51:15Z) - Path-based knowledge reasoning with textual semantic information for
medical knowledge graph completion [20.929596842568994]
医療知識グラフ(KG)は、しばしば著しく不完全であるため、医療知識グラフの完成(MedKGC)の要求が必要とされる。
MedKGCはKGsの知識から新たな事実を見つけることができる。
本稿では,経路の空間的問題をそれぞれ解決するための2つの新しい経路に基づく推論手法を提案する。
論文 参考訳(メタデータ) (2021-05-27T11:45:59Z) - Joint Semantics and Data-Driven Path Representation for Knowledge Graph
Inference [60.048447849653876]
我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。
提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
論文 参考訳(メタデータ) (2020-10-06T10:24:45Z)
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。