論文の概要: Unifying Post-hoc Explanations of Knowledge Graph Completions

• arxiv url: http://arxiv.org/abs/2507.22951v1
• Date: Tue, 29 Jul 2025 13:31:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:08.325812
• Title: Unifying Post-hoc Explanations of Knowledge Graph Completions
• Title（参考訳）: 知識グラフ補完のポストホック説明の統合
• Authors: Alessandro Lonardi, Samy Badreddine, Tarek R. Besold, Pablo Sanchez Martin,
• Abstract要約: 知識グラフ補完(KGC)のポストホック説明可能性には形式化と一貫した評価が欠けている。 本稿は、KGCにおけるポストホックな説明可能性に対する統一的なアプローチを論じる。
• 参考スコア（独自算出の注目度）: 44.424583840470724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Post-hoc explainability for Knowledge Graph Completion (KGC) lacks formalization and consistent evaluations, hindering reproducibility and cross-study comparisons. This paper argues for a unified approach to post-hoc explainability in KGC. First, we propose a general framework to characterize post-hoc explanations via multi-objective optimization, balancing their effectiveness and conciseness. This unifies existing post-hoc explainability algorithms in KGC and the explanations they produce. Next, we suggest and empirically support improved evaluation protocols using popular metrics like Mean Reciprocal Rank and Hits@$k$. Finally, we stress the importance of interpretability as the ability of explanations to address queries meaningful to end-users. By unifying methods and refining evaluation standards, this work aims to make research in KGC explainability more reproducible and impactful.
• Abstract（参考訳）: 知識グラフ補完(KGC)のポストホック説明可能性には形式化と一貫した評価が欠如しており、再現性やクロススタディ比較を妨げている。 本稿は、KGCにおけるポストホックな説明可能性に対する統一的なアプローチを論じる。 まず、多目的最適化によるポストホックな説明を特徴付けるための一般的なフレームワークを提案し、その妥当性と簡潔さのバランスをとる。 これは、KGCにおける既存のポストホックな説明可能性アルゴリズムと、それらが生成する説明を統一する。 次に、平均相互ランクやhits@$k$といった一般的なメトリクスを使用して、改善された評価プロトコルを実証的にサポートすることを提案する。 最後に、エンドユーザーにとって意味のあるクエリに対処する説明機能として、解釈可能性の重要性を強調した。 本研究は,手法の統一と評価基準の改訂により,KGC説明可能性の向上と再現性の向上をめざす。

関連論文リスト

• KGExplainer: Towards Exploring Connected Subgraph Explanations for Knowledge Graph Completion [18.497296711526268]
  我々は,連結部分グラフを同定し,定量的に評価するための評価器を蒸留するモデルに依存しないKGExplainerを提案する。 ベンチマークデータセットの実験は、KGExplainerが有望な改善を達成し、人間の評価において83.3%の最適比率を達成することを示した。
  論文  参考訳（メタデータ） (2024-04-05T05:02:12Z)
• Multi-perspective Improvement of Knowledge Graph Completion with Large Language Models [95.31941227776711]
  我々は,文脈知識の不足を補うMPIKGCを提案し,大規模言語モデル(LLM)をクエリすることでKGCを改善する。 我々は4つの記述に基づくKGCモデルと4つのデータセットに基づくフレームワークの広範囲な評価を行い、リンク予測とトリプルト分類のタスクについて検討した。
  論文  参考訳（メタデータ） (2024-03-04T12:16:15Z)
• Hierarchical Indexing for Retrieval-Augmented Opinion Summarization [60.5923941324953]
  本稿では,抽出アプローチの帰属性と拡張性と,大規模言語モデル(LLM)の一貫性と拡散性を組み合わせた,教師なし抽象的意見要約手法を提案する。 我々の方法であるHIROは、意味的に整理された離散的な階層を通して文を経路にマッピングするインデックス構造を学習する。 推測時にインデックスを投入し、入力レビューから人気意見を含む文群を識別し、検索する。
  論文  参考訳（メタデータ） (2024-03-01T10:38:07Z)
• Faithful Knowledge Graph Explanations for Commonsense Reasoning [7.242609314791262]
  言語モデル(LM)と知識グラフ(KG)の融合は、常識的質問応答において広く利用されている。 現在の手法は、しばしば忠実さをデコードするパスを見落とし、グラフエンコーダ出力とモデル予測の間にばらつきをもたらす。 本研究は,LM-KGのミスアライメントと相反する効果を,突発的な説明を引き起こす重要な要因として同定する。
  論文  参考訳（メタデータ） (2023-10-07T20:29:45Z)
• SNaC: Coherence Error Detection for Narrative Summarization [73.48220043216087]
  SNaCは長文の微粒化アノテーションに根ざした物語コヒーレンス評価フレームワークである。 本稿では,生成した物語要約におけるコヒーレンスエラーの分類法を開発し,150冊の本や映画の脚本要約にまたがる6.6k文のスパンレベルアノテーションを収集する。 我々の研究は、最先端の要約モデルによって生成されるコヒーレンスエラーの最初の特徴と、群衆アノテータからコヒーレンス判断を引き出すためのプロトコルを提供する。
  論文  参考訳（メタデータ） (2022-05-19T16:01:47Z)
• Coalitional Bayesian Autoencoders -- Towards explainable unsupervised deep learning [78.60415450507706]
  その結果,BAEの予測は高い相関関係にあり,誤解を招くことが示唆された。 これを軽減するために、エージェントベースのシステム理論にインスパイアされた"Coalitional BAE"が提案されている。 公開条件監視データセットに関する実験は、Coalitional BAEを用いた説明の質の向上を実証している。
  論文  参考訳（メタデータ） (2021-10-19T15:07:09Z)
• Explainable Recommendation via Interpretable Feature Mapping and Evaluation of Explainability [22.58823484394866]
  実験結果は、推奨と説明の両方において強力なパフォーマンスを示し、メタデータの必要性を排除した。 本稿では,解釈不能な一般特徴を解釈不能な側面特徴にマッピングする新しい特徴マッピング手法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T23:49:12Z)
• Evaluations and Methods for Explanation through Robustness Analysis [117.7235152610957]
  分析による特徴に基づく説明の新たな評価基準を確立する。 我々は、緩やかに必要であり、予測に十分である新しい説明を得る。 我々は、現在の予測をターゲットクラスに移動させる一連の特徴を抽出するために、説明を拡張します。
  論文  参考訳（メタデータ） (2020-05-31T05:52:05Z)

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。