論文の概要: Rule Learning for Knowledge Graph Reasoning under Agnostic Distribution Shift

• arxiv url: http://arxiv.org/abs/2507.05110v2
• Date: Tue, 08 Jul 2025 03:40:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 12:20:17.830113
• Title: Rule Learning for Knowledge Graph Reasoning under Agnostic Distribution Shift
• Title（参考訳）: 確率分布シフトに基づく知識グラフ推論のためのルール学習
• Authors: Shixuan Liu, Yue He, Yunfei Wang, Hao Zou, Haoxiang Cheng, Wenjing Yang, Peng Cui, Zhong Liu,
• Abstract要約: 既存のKG推論法の主な制限は、I.I.D仮定に依存することである。 本研究では,未知の選択バイアスによるKGからの学習論理則について検討した。 本稿では,特徴デコリレーションとルール学習ネットワークを統合するエンドツーエンドの方法論である安定ルール学習(StableRule)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 24.842476787693055
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Knowledge graph (KG) reasoning remains a critical research area focused on inferring missing knowledge by analyzing relationships among observed facts. Despite its success, a key limitation of existing KG reasoning methods is their dependence on the I.I.D assumption. This assumption can easily be violated due to unknown sample selection bias during training or agnostic distribution shifts during testing, significantly compromising model performance and reliability. To facilitate the deployment of KG reasoning in wild environments, this study investigates learning logical rules from KGs affected by unknown selection bias. Additionally, we address test sets with agnostic distribution shifts, formally defining this challenge as out-of-distribution (OOD) KG reasoning-a previously underexplored problem. To solve the issue, we propose the Stable Rule Learning (StableRule) framework, an end-to-end methodology that integrates feature decorrelation with rule learning network, to enhance OOD generalization performance. By leveraging feature decorrelation, the StableRule framework mitigates the adverse effects of covariate shifts arising in OOD scenarios, thereby improving the robustness of the rule learning component in effectively deriving logical rules. Extensive experiments on seven benchmark KGs demonstrate the framework's superior effectiveness and stability across diverse heterogeneous environments, underscoring its practical significance for real-world applications.
• Abstract（参考訳）: 知識グラフ推論(KG)は、観察された事実間の関係を分析することによって、行方不明な知識を推測することに焦点を当てた重要な研究領域である。 その成功にもかかわらず、既存のKG推論手法の重要な制限は、I.I.D仮定に依存することである。 この仮定は、トレーニング中の未知のサンプル選択バイアスやテスト中の非依存分布シフトによって容易に破られ、モデル性能と信頼性が著しく向上する。 野生環境におけるKG推論の展開を容易にするため,未知の選択バイアスによるKGからの論理規則の学習について検討した。 さらに、非依存的な分布シフトを伴うテストセットに対処し、この課題を以前に探索された未解決問題である、アウト・オブ・ディストリビューション(OOD)KG推論として正式に定義する。 そこで本研究では,OODの一般化性能を高めるために,特徴デコリレーションとルール学習ネットワークを統合したエンドツーエンドの手法である安定ルール学習(StableRule)フレームワークを提案する。 特徴のデコレーションを活用することで、StableRuleフレームワークは、OODシナリオで発生する共変量シフトの悪影響を軽減し、論理ルールを効果的に導き出すためのルール学習コンポーネントの堅牢性を改善する。 7つのベンチマークKGの大規模な実験は、様々な異種環境におけるフレームワークの優れた効果と安定性を示し、現実世界のアプリケーションにおいてその実用的重要性を裏付けている。

関連論文リスト

• Rethinking Robustness in Machine Learning: A Posterior Agreement Approach [45.284633306624634]
  モデル検証の後方合意(PA)理論は、ロバストネス評価のための原則的な枠組みを提供する。 本稿では,PA尺度が学習アルゴリズムの脆弱性を,ほとんど観測されていない場合でも,合理的かつ一貫した分析を提供することを示す。
  論文  参考訳（メタデータ） (2025-03-20T16:03:39Z)
• Enhancing Robust Fairness via Confusional Spectral Regularization [6.041034366572273]
  PAC-Bayesian フレームワーク内の最悪のクラスにおけるロバストなエラーに対して、ロバストな一般化を導出する。 本稿では,最低級のロバストな精度を向上し,ロバストな公正性を向上する新たな正則化手法を提案する。
  論文  参考訳（メタデータ） (2025-01-22T23:32:19Z)
• Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
  ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。 トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
  論文  参考訳（メタデータ） (2024-02-13T11:25:20Z)
• Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization [60.4169201192582]
  本稿では,ラベルと環境情報を完全に活用するために,ラベルと環境の因果独立(LECI)を導入することを提案する。 LECIは、合成データセットと実世界のデータセットの両方において、従来の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2023-06-01T19:33:30Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• ESC-Rules: Explainable, Semantically Constrained Rule Sets [11.160515561004619]
  本稿では,ファジィ重み付き学習規則に基づく連続変数の予測法について述べる。 我々のモデルは、予測精度を最大化し、オントロジーに基づく「意味的損失」関数を最小化するために重み付きルールのセットを訓練する。 本システムは,メタシンボリック学習を記号学習とドメイン知識に基づく制約で融合する。
  論文  参考訳（メタデータ） (2022-08-26T09:29:30Z)
• Robust Reinforcement Learning with Distributional Risk-averse formulation [1.2891210250935146]
  リスク・アバースの近似式を用いて,ロバスト強化学習を$Phi$-divergenceで制約する。 古典的強化学習の定式化は、目的の標準偏差ペナル化を用いて堅牢化できることを示す。
  論文  参考訳（メタデータ） (2022-06-14T13:33:58Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Learning Causal Semantic Representation for Out-of-Distribution Prediction [125.38836464226092]
  因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。 CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
  論文  参考訳（メタデータ） (2020-11-03T13:16:05Z)
• A Hybrid Model for Learning Embeddings and Logical Rules Simultaneously from Knowledge Graphs [20.438750956142638]
  高品質なルールと埋め込みを同時に学習するハイブリッドモデルを開発した。 提案手法は相互フィードバックのパラダイムを用いて,ルールマイニングシステムの探索と新たな事実の推測を行うための埋め込みモデルを用いている。
  論文  参考訳（メタデータ） (2020-09-22T20:29:27Z)

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。