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

• arxiv url: http://arxiv.org/abs/2507.05110v3
• Date: Thu, 10 Jul 2025 16:55:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 12:24:00.066829
• 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: ルール学習は、I.I.D.の仮定に依存する重大な弱点に悩まされる。 StableRuleは、機能のデコレーションとルール学習ネットワークを組み合わせたエンドツーエンドフレームワークである。
• 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: Logical rule learning, a prominent category of knowledge graph (KG) reasoning methods, constitutes a critical research area aimed at learning explicit rules from observed facts to infer missing knowledge. However, like all KG reasoning methods, rule learning suffers from a critical weakness-its dependence on the I.I.D. assumption. This assumption can easily be violated due to selection bias during training or agnostic distribution shifts during testing (e.g., as in query shift scenarios), ultimately undermining model performance and reliability. To enable robust KG reasoning in wild environments, this study investigates logical rule learning in the presence of agnostic test-time distribution shifts. We formally define this challenge as out-of-distribution (OOD) KG reasoning-a previously underexplored problem, and propose the Stable Rule Learning (StableRule) framework as a solution. StableRule is an end-to-end framework that combines feature decorrelation with rule learning network, to enhance OOD generalization in KG reasoning. By leveraging feature decorrelation, StableRule mitigates the adverse effects of covariate shifts arising in OOD scenarios, improving the robustness of the rule learning network. Extensive experiments on seven benchmark KGs demonstrate the framework's superior effectiveness and stability across diverse heterogeneous environments, highlighting its practical significance for real-world applications.
• Abstract（参考訳）: 論理ルール学習(英: Logical rule learning)は、知識グラフ(KG)推論手法の顕著なカテゴリであり、観察された事実から明確なルールを学習し、行方不明な知識を推測することを目的とした重要な研究領域である。 しかし、他のKG推論法と同様に、ルール学習はI.I.D.の仮定に重大な弱点がある。 この仮定は、トレーニング中の選択バイアスや、テスト中の非依存的な分散シフト(例えば、クエリシフトのシナリオ)によって容易に違反し、最終的にはモデルのパフォーマンスと信頼性を損なう可能性がある。 本研究は, 自然環境におけるKG推論の堅牢化を目的として, テスト時間分布シフトの存在下での論理則学習について検討した。 我々は、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し、安定ルール学習(StableRule)フレームワークをソリューションとして提案する。 StableRuleは、機能のデコレーションとルール学習ネットワークを組み合わせたエンドツーエンドフレームワークで、KG推論におけるOOD一般化を強化する。 特徴のデコレーションを活用することで、StableRule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、ルール学習ネットワーク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強調している。

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。