論文の概要: Fully Geometric Multi-Hop Reasoning on Knowledge Graphs with Transitive Relations
- arxiv url: http://arxiv.org/abs/2505.12369v1
- Date: Sun, 18 May 2025 11:17:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:11.194921
- Title: Fully Geometric Multi-Hop Reasoning on Knowledge Graphs with Transitive Relations
- Title（参考訳）: 推移関係を持つ知識グラフの完全幾何学的マルチホップ推論
- Authors: Fernando Zhapa-Camacho, Robert Hoehndorf,
- Abstract要約: マルチホップ推論のための幾何学的埋め込み手法GeometrEを紹介する。
論理演算を学習する必要はなく、完全に幾何学的解釈可能である。
実験の結果,GeometrEは標準ベンチマークデータセットの最先端手法よりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 50.05281461410368
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geometric embedding methods have shown to be useful for multi-hop reasoning on knowledge graphs by mapping entities and logical operations to geometric regions and geometric transformations, respectively. Geometric embeddings provide direct interpretability framework for queries. However, current methods have only leveraged the geometric construction of entities, failing to map logical operations to geometric transformations and, instead, using neural components to learn these operations. We introduce GeometrE, a geometric embedding method for multi-hop reasoning, which does not require learning the logical operations and enables full geometric interpretability. Additionally, unlike previous methods, we introduce a transitive loss function and show that it can preserve the logical rule $\forall a,b,c: r(a,b) \land r(b,c) \to r(a,c)$. Our experiments show that GeometrE outperforms current state-of-the-art methods on standard benchmark datasets.
- Abstract（参考訳）: 幾何学的埋め込み法は, 要素と論理演算をそれぞれ幾何学的領域と幾何学的変換にマッピングすることにより, 知識グラフ上のマルチホップ推論に有用であることが示されている。
幾何学的埋め込みは、クエリの直接解釈可能性フレームワークを提供する。
しかし、現在の手法では、要素の幾何学的構成のみを利用しており、論理的操作を幾何学的変換にマッピングできず、代わりにニューラルネットワークを用いてこれらの演算を学習している。
論理演算の学習を必要とせず、全幾何学的解釈が可能な幾何埋め込み法であるGeometrEを導入する。
さらに、従来の方法とは異なり、推移的損失関数を導入し、論理規則 $\forall a,b,c: r(a,b) \land r(b,c) \to r(a,c)$ を保存することができることを示す。
実験の結果,GeometrEは標準ベンチマークデータセットの最先端手法よりも優れていることがわかった。
関連論文リスト
- Cover Learning for Large-Scale Topology Representation [0.0]
本稿では,幾何学的データセットのトポロジ的に忠実な被覆を学習する手法について述べる。
そこで得られた単純複体は, 標準トポロジカル推論手法よりも, サイズ的に優れていることを示す。
論文 参考訳（メタデータ） (2025-03-12T19:10:20Z) - Transferable Foundation Models for Geometric Tasks on Point Cloud Representations: Geometric Neural Operators [0.0]
我々は、事前訓練された幾何学的ニューラル演算子(GNP)を得る方法を提案する。
GNPは幾何学的特徴を得るための基礎モデルとして機能する。
我々のGNPは、点-雲の微分幾何学の頑健な潜在表現を学習するためにどのように訓練されるかを示す。
論文 参考訳（メタデータ） (2025-03-06T17:35:37Z) - Geometric Neural Operators (GNPs) for Data-Driven Deep Learning of Non-Euclidean Operators [0.0]
演算子のデータ駆動深層学習における幾何学的寄与を考慮に入れた幾何学的ニューラルネットワーク(GNP)を導入する。
GNPが計量や曲率などの幾何学的性質を推定し、偏微分方程式を近似するためにどのように使用できるかを示す。
開発されたGNPは、演算子のデータ駆動学習における幾何学の役割を取り入れるためのアプローチを提供する。
論文 参考訳（メタデータ） (2024-04-16T18:43:27Z) - A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [71.809127869349]
本稿では、幾何学的メッセージパッシングの観点から、既存のモデルの統一的なビューを提供するデータ構造として幾何学的グラフを定式化する。
また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文 参考訳（メタデータ） (2024-03-01T12:13:04Z) - Exploring Data Geometry for Continual Learning [64.4358878435983]
非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。
提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。
実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-04-08T06:35:25Z) - Geometric Clifford Algebra Networks [53.456211342585824]
本稿では,動的システムのモデリングのためのGeometric Clifford Algebra Networks (GCANs)を提案する。
GCANは幾何学的(クリフォード)代数を用いた対称性群変換に基づいている。
論文 参考訳（メタデータ） (2023-02-13T18:48:33Z) - Plane Geometry Diagram Parsing [29.921409628478152]
深層学習とグラフ推論に基づく強力な図式を提案する。
幾何学的プリミティブを抽出する修正インスタンスセグメンテーション法を提案する。
グラフニューラルネットワーク(GNN)を利用して、関係解析と原始分類を実現する。
論文 参考訳（メタデータ） (2022-05-19T07:47:01Z) - Inter-GPS: Interpretable Geometry Problem Solving with Formal Language
and Symbolic Reasoning [123.06420835072225]
3,002の幾何学的問題と密接なアノテーションを形式言語に含む新しい大規模ベンチマークGeometry3Kを構築します。
我々は、Interpretable Geometry Problemsolvr (Inter-GPS)と呼ばれる形式言語と記号推論を用いた新しい幾何学的解法を提案する。
イントラGPSは定理の知識を条件付き規則として取り入れ、記号的推論を段階的に行う。
論文 参考訳（メタデータ） (2021-05-10T07:46:55Z) - Towards Automated Discovery of Geometrical Theorems in GeoGebra [0.0]
実験的なGeoGebraコマンドとツールDiscoverのプロトタイプについて述べる。
本論文は, 数学的背景と, 幾何学的図形の興味深い性質を記憶する際の爆発を避ける方法に焦点をあてる。
論文 参考訳（メタデータ） (2020-07-24T10:59:39Z)
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。