論文の概要: Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective

• arxiv url: http://arxiv.org/abs/2412.10390v1
• Date: Sat, 30 Nov 2024 18:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-22 08:34:02.918557
• Title: Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective
• Title（参考訳）: 知識グラフに対するニューラルシンボリック推論:クエリの観点からの調査
• Authors: Lihui Liu, Zihao Wang, Hanghang Tong,
• Abstract要約: 知識グラフ推論は、データマイニング、人工知能、Web、社会科学など、さまざまな分野において重要である。 ニューラルAIの台頭は、深層学習の頑健さと象徴的推論の精度を融合させることで、大きな進歩を見せている。 大規模言語モデル(LLM)の出現により、知識グラフ推論の新しいフロンティアが開かれた。
• 参考スコア（独自算出の注目度）: 55.79507207292647
• License:
• Abstract: Knowledge graph reasoning is pivotal in various domains such as data mining, artificial intelligence, the Web, and social sciences. These knowledge graphs function as comprehensive repositories of human knowledge, facilitating the inference of new information. Traditional symbolic reasoning, despite its strengths, struggles with the challenges posed by incomplete and noisy data within these graphs. In contrast, the rise of Neural Symbolic AI marks a significant advancement, merging the robustness of deep learning with the precision of symbolic reasoning. This integration aims to develop AI systems that are not only highly interpretable and explainable but also versatile, effectively bridging the gap between symbolic and neural methodologies. Additionally, the advent of large language models (LLMs) has opened new frontiers in knowledge graph reasoning, enabling the extraction and synthesis of knowledge in unprecedented ways. This survey offers a thorough review of knowledge graph reasoning, focusing on various query types and the classification of neural symbolic reasoning. Furthermore, it explores the innovative integration of knowledge graph reasoning with large language models, highlighting the potential for groundbreaking advancements. This comprehensive overview is designed to support researchers and practitioners across multiple fields, including data mining, AI, the Web, and social sciences, by providing a detailed understanding of the current landscape and future directions in knowledge graph reasoning.
• Abstract（参考訳）: 知識グラフ推論は、データマイニング、人工知能、Web、社会科学など、さまざまな分野において重要である。 これらの知識グラフは人間の知識の包括的なリポジトリとして機能し、新しい情報の推測を容易にする。 伝統的な記号的推論は、その強みにもかかわらず、これらのグラフの中で不完全でノイズの多いデータによって引き起こされる課題に苦しむ。 対照的に、ニューラルシンボリックAIの台頭は、深い学習の頑健さと象徴的推論の精度を融合させ、大きな進歩を示す。 この統合の目的は、高度に解釈可能で説明可能なだけでなく、汎用性の高いAIシステムを開発することであり、象徴的手法と神経的手法のギャップを効果的に埋めることである。 さらに、大規模言語モデル(LLM)の出現は知識グラフ推論における新たなフロンティアを開拓し、前例のない方法で知識の抽出と合成を可能にした。 このサーベイは知識グラフ推論の徹底的なレビューを提供し、様々なクエリタイプとニューラルシンボリック推論の分類に焦点を当てている。 さらに、大きな言語モデルとの知識グラフ推論の革新的な統合を探求し、画期的な進歩の可能性を強調している。 この包括的概要は、データマイニング、AI、Web、社会科学など、さまざまな分野の研究者や実践者を支援するために設計されており、知識グラフ推論における現在の状況と今後の方向性に関する詳細な理解を提供する。

関連論文リスト

• Knowledge Graph Extension by Entity Type Recognition [2.8231106019727195]
  本稿では,エンティティ型認識に基づく知識グラフ拡張フレームワークを提案する。 このフレームワークは、異なる知識グラフ間でスキーマとエンティティを整列させることにより、高品質な知識抽出を実現することを目的としている。
  論文  参考訳（メタデータ） (2024-05-03T19:55:03Z)
• What can knowledge graph alignment gain with Neuro-Symbolic learning approaches? [1.8416014644193066]
  知識グラフ(KG)は多くのデータ集約型アプリケーションのバックボーンである。 現在のアルゴリズムでは、論理的思考と推論を語彙的、構造的、意味的なデータ学習で表現することができない。 本稿では,KGAにおける最先端技術について検討し,ニューロシンボリック統合の可能性を探る。
  論文  参考訳（メタデータ） (2023-10-11T12:03:19Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
  ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。 NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
  論文  参考訳（メタデータ） (2022-10-28T04:38:10Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• Neural, Symbolic and Neural-Symbolic Reasoning on Knowledge Graphs [9.708996828407384]
  知識グラフ推論は、情報抽出、情報検索、レコメンデーションといった機械学習アプリケーションをサポートする。 知識グラフは知識の離散的なシンボル表現と見なすことができるので、知識グラフの推論は自然にそのシンボル技術を利用することができる。 近年のディープラーニングの進歩は、曖昧でノイズの多いデータに対して頑健な知識グラフ上での神経推論を促進するが、シンボリック推論と比較して解釈性に欠ける。
  論文  参考訳（メタデータ） (2020-10-12T04:28:57Z)
• Neural-Symbolic Relational Reasoning on Graph Models: Effective Link Inference and Computation from Knowledge Bases [0.5669790037378094]
  モデルにそのような経路を含む知識グラフの最小限のネットワークを埋め込むことにより、すべての経路を学習するニューラルネットワークのシンボリックグラフを提案する。 単語の埋め込みに対応する実体と事実の表現を学習することにより、モデルをエンドツーエンドでトレーニングし、それらの表現をデコードし、関係性アプローチでエンティティ間の関係を推論する方法を示す。
  論文  参考訳（メタデータ） (2020-05-05T22:46:39Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)
• A Survey on Knowledge Graphs: Representation, Acquisition and Applications [89.78089494738002]
  我々は,1)知識グラフ表現学習,2)知識獲得と完成,3)時間的知識グラフ,および4)知識認識アプリケーションに関する研究トピックをレビューする。 知識獲得、特に知識グラフの完成、埋め込み方法、経路推論、論理ルール推論について概観する。 メタラーニング、コモンセンス推論、時間的知識グラフなど、いくつかの新しいトピックを探求する。
  論文  参考訳（メタデータ） (2020-02-02T13:17:31Z)

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。