論文の概要: Type Information-Assisted Self-Supervised Knowledge Graph Denoising

• arxiv url: http://arxiv.org/abs/2503.09916v1
• Date: Thu, 13 Mar 2025 00:12:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:52:00.100583
• Title: Type Information-Assisted Self-Supervised Knowledge Graph Denoising
• Title（参考訳）: 型情報支援型自己監督型知識グラフ
• Authors: Jiaqi Sun, Yujia Zheng, Xinshuai Dong, Haoyue Dai, Kun Zhang,
• Abstract要約: 既存のノイズ検出のアプローチは、外部事実、論理規則の制約、構造的な埋め込みに依存している。 本稿では,ノイズ検出のためのエンティティと関係型情報の整合性を活用することを提案する。 我々は、型依存的推論に関して多数派から逸脱する三重項として型不整合雑音を定式化する。
• 参考スコア（独自算出の注目度）: 15.310157441397001
• License:
• Abstract: Knowledge graphs serve as critical resources supporting intelligent systems, but they can be noisy due to imperfect automatic generation processes. Existing approaches to noise detection often rely on external facts, logical rule constraints, or structural embeddings. These methods are often challenged by imperfect entity alignment, flexible knowledge graph construction, and overfitting on structures. In this paper, we propose to exploit the consistency between entity and relation type information for noise detection, resulting a novel self-supervised knowledge graph denoising method that avoids those problems. We formalize type inconsistency noise as triples that deviate from the majority with respect to type-dependent reasoning along the topological structure. Specifically, we first extract a compact representation of a given knowledge graph via an encoder that models the type dependencies of triples. Then, the decoder reconstructs the original input knowledge graph based on the compact representation. It is worth noting that, our proposal has the potential to address the problems of knowledge graph compression and completion, although this is not our focus. For the specific task of noise detection, the discrepancy between the reconstruction results and the input knowledge graph provides an opportunity for denoising, which is facilitated by the type consistency embedded in our method. Experimental validation demonstrates the effectiveness of our approach in detecting potential noise in real-world data.
• Abstract（参考訳）: 知識グラフは知的システムを支える重要なリソースとして機能するが、不完全な自動生成プロセスのためにノイズが生じることがある。 ノイズ検出への既存のアプローチは、しばしば外部事実、論理規則の制約、構造的な埋め込みに依存している。 これらの手法は、不完全なエンティティアライメント、柔軟な知識グラフの構築、構造への過度な適合によってしばしば挑戦される。 本稿では,ノイズ検出におけるエンティティと関係型情報の整合性を利用する手法を提案する。 タイプ非整合性雑音は、トポロジ的構造に沿った型依存的推論に関して、多数派から逸脱する三重項として定式化する。 具体的には,まず,三重項の型依存をモデル化するエンコーダを用いて,与えられた知識グラフのコンパクト表現を抽出する。 そして、デコーダは、コンパクト表現に基づいて元の入力知識グラフを再構成する。 注目に値するのは、私たちの提案は知識グラフの圧縮と補完の問題に対処する可能性があることですが、これは我々の焦点ではありません。 ノイズ検出の特定のタスクにおいて、再構成結果と入力知識グラフとの相違は、本手法に埋め込まれた型整合性によって容易化され、復調する機会を提供する。 実世界のデータにおける潜在的なノイズを検出する手法の有効性を実験的に検証した。

関連論文リスト

• You Can't Ignore Either: Unifying Structure and Feature Denoising for Robust Graph Learning [34.52299775051481]
  我々は、構造と特徴のデッドロックを解き放つために、統一グラフ復調(UGD)フレームワークを開発する。 具体的には、ノイズエッジを認識するために、高次近傍評価法を提案する。 また,グラフオートエンコーダをベースとした,ノイズの多い特徴の再現も提案する。
  論文  参考訳（メタデータ） (2024-08-01T16:43:55Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Improving the Robustness of Knowledge-Grounded Dialogue via Contrastive Learning [71.8876256714229]
  本稿では,知識ベース対話システムの堅牢性向上を目的とした,エンティティベースのコントラスト学習フレームワークを提案する。 提案手法は,自動評価スコアの点から,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-01-09T05:16:52Z)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• Deep Active Learning with Noise Stability [24.54974925491753]
  ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。 本稿では,雑音の安定性を利用して不確実性を推定する新しいアルゴリズムを提案する。 本手法はコンピュータビジョン,自然言語処理,構造データ解析など,様々なタスクに適用可能である。
  論文  参考訳（メタデータ） (2022-05-26T13:21:01Z)
• Type-aware Embeddings for Multi-Hop Reasoning over Knowledge Graphs [18.56742938427262]
  実生活知識グラフ(KG)に対するマルチホップ推論は非常に難しい問題である。 この問題に対処するため、最近、論理的クエリとKGを併用した有望なアプローチを導入している。 本稿では,クエリにおけるエンティティと関係表現を強化する新しいTEMP(TypE-aware Message Passing)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-02T10:05:13Z)
• Score matching enables causal discovery of nonlinear additive noise models [63.93669924730725]
  次世代のスケーラブル因果発見手法の設計方法について述べる。 本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T21:34:46Z)
• Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
  本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。 合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
  論文  参考訳（メタデータ） (2021-01-14T05:43:51Z)
• Guiding Graph Embeddings using Path-Ranking Methods for Error Detection innoisy Knowledge Graphs [0.0]
  この研究は、様々な主要なアプローチを示し、タスクのためのハイブリッドでモジュラーな方法論を提案する。 2つのベンチマークと1つの実世界のバイオメディカル・パブリッシング・データセットで異なる手法を比較し、アプローチの可能性を示している。
  論文  参考訳（メタデータ） (2020-02-19T11:04:11Z)
• Learning Not to Learn in the Presence of Noisy Labels [104.7655376309784]
  ギャンブラーの損失と呼ばれる新しい種類の損失関数は、様々なレベルの汚職にまたがってノイズをラベル付けするのに強い堅牢性をもたらすことを示す。 この損失関数によるトレーニングは、ノイズのあるラベルを持つデータポイントでの学習を"維持"することをモデルに促すことを示す。
  論文  参考訳（メタデータ） (2020-02-16T09:12:27Z)

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。