論文の概要: Probabilistic Circuits for Knowledge Graph Completion with Reduced Rule Sets

• arxiv url: http://arxiv.org/abs/2508.06706v1
• Date: Fri, 08 Aug 2025 21:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.517143
• Title: Probabilistic Circuits for Knowledge Graph Completion with Reduced Rule Sets
• Title（参考訳）: ルールセットの削減による知識グラフ補完のための確率回路
• Authors: Jaikrishna Manojkumar Patil, Nathaniel Lee, Al Mehdi Saadat Chowdhury, YooJung Choi, Paulo Shakarian,
• Abstract要約: 知識グラフ補完のためのルールベースの手法は、説明可能な結果を提供するが、しばしば競争性能を達成するために非常に多くのルールを必要とする。 トレーニングデータからルールコンテキスト(意味のあるルールのサブセット)を発見し、これらのルールコンテキスト上で学習された確率分布(確率回路)を用いて、完全なルールセットのパフォーマンスをより早く達成する。 我々のフレームワークは確率論的論理のよく知られたセマンティクスに基づいており、独立性の仮定を必要とせず、抽出可能な推論手順は、与えられたクエリの近似的な下限と正確な確率の両方を提供することを示す。
• 参考スコア（独自算出の注目度）: 7.44837042990111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rule-based methods for knowledge graph completion provide explainable results but often require a significantly large number of rules to achieve competitive performance. This can hinder explainability due to overwhelmingly large rule sets. We discover rule contexts (meaningful subsets of rules that work together) from training data and use learned probability distribution (i.e. probabilistic circuits) over these rule contexts to more rapidly achieve performance of the full rule set. Our approach achieves a 70-96% reduction in number of rules used while outperforming baseline by up to 31$\times$ when using equivalent minimal number of rules and preserves 91% of peak baseline performance even when comparing our minimal rule sets against baseline's full rule sets. We show that our framework is grounded in well-known semantics of probabilistic logic, does not require independence assumptions, and that our tractable inference procedure provides both approximate lower bounds and exact probability of a given query. The efficacy of our method is validated by empirical studies on 8 standard benchmark datasets where we show competitive performance by using only a fraction of the rules required by AnyBURL's standard inference method, the current state-of-the-art for rule-based knowledge graph completion. This work may have further implications for general probabilistic reasoning over learned sets of rules.
• Abstract（参考訳）: 知識グラフ補完のためのルールベースの手法は、説明可能な結果を提供するが、しばしば競争性能を達成するために非常に多くのルールを必要とする。 これにより、圧倒的に大きなルールセットによる説明可能性の妨げとなる。 トレーニングデータからルールコンテキスト(意味のあるルールのサブセット)を発見し、これらのルールコンテキスト上で学習された確率分布(確率回路)を用いて、完全なルールセットのパフォーマンスをより早く達成する。 提案手法は, 基準値の最小値を使用する場合, 基準値が最大31$\times$で70～96%削減され, 基準値の完全値と比較した場合においても, 91%のピーク基準値が維持される。 我々のフレームワークは確率論的論理のよく知られたセマンティクスに基づいており、独立性の仮定を必要とせず、抽出可能な推論手順は、与えられたクエリの近似的な下限と正確な確率の両方を提供することを示す。 提案手法の有効性は,AnyBURLの標準推論法で要求されるルールのごく一部,ルールベースの知識グラフ補完の最先端技術を用いて,競争性能を示す8つの標準ベンチマークデータセットの実証研究により検証された。 この研究は、学習された規則の集合よりも一般的な確率論的推論にさらに意味を持つかもしれない。

関連論文リスト

• Faithful Differentiable Reasoning with Reshuffled Region-based Embeddings [62.93577376960498]
  知識グラフ埋め込み法は、実体の幾何学的表現と関係を学習し、妥当な不足した知識を予測する。 我々は、より大規模なルールベースを忠実にキャプチャできる制約の順序付けに基づくモデルであるRESHUFFLEを提案する。 フレームワークへのエンティティの埋め込みは、グラフニューラルネットワーク(GNN)によって学習され、事実上差別化可能なルールベースとして機能する。
  論文  参考訳（メタデータ） (2024-06-13T18:37:24Z)
• On the Aggregation of Rules for Knowledge Graph Completion [9.628032156001069]
  知識グラフ補完のためのルール学習アプローチは、純粋にニューラルモデルに対して効率的、解釈可能、競争的である。 既存のアグリゲーションアプローチは,予測ルールよりも限界推論操作として表現できることを示す。 本稿では,従来の戦略を組み合わさり,計算上より高価なアプローチと競合する,効率的で見落とされがちなベースラインを提案する。
  論文  参考訳（メタデータ） (2023-09-01T07:32:11Z)
• Machine Learning with Probabilistic Law Discovery: A Concise Introduction [77.34726150561087]
  Probabilistic Law Discovery (PLD) は、確率論的ルール学習の変種を実装した論理ベースの機械学習手法である。 PLDはDecision Tree/Random Forestメソッドに近いが、関連するルールの定義方法に大きく異なる。 本稿はPLDの主な原則を概説し、その利点と限界を強調し、いくつかのアプリケーションガイドラインを提供する。
  論文  参考訳（メタデータ） (2022-12-22T17:40:13Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• Truly Unordered Probabilistic Rule Sets for Multi-class Classification [0.0]
  真に順序のない規則集合に対するTURSを提案する。 まず、真に順序のない規則集合を学習する問題を定式化する。 次に、ルールを慎重に成長させることでルール集合を学習する2相アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-06-17T14:34:35Z)
• Towards Target Sequential Rules [52.4562332499155]
  ターゲット・シーケンシャル・ルール・マイニング(TaSRM)と呼ばれる効率的なアルゴリズムを提案する。 新たなアルゴリズムであるTaSRMとその変種は,既存のベースラインアルゴリズムと比較して実験性能がよいことを示す。
  論文  参考訳（メタデータ） (2022-06-09T18:59:54Z)
• Interpretable and Fair Boolean Rule Sets via Column Generation [18.08486863429421]
  整数プログラムは、規則単純性のために最適に分類精度を交換するように定式化される。 公平性の設定を考慮し、分類パリティの2つの異なる尺度に関する明示的な制約を含むように定式化を拡張した。 他の公正かつ解釈可能な分類器と比較して、我々の手法は、公正性のより厳密な概念に適合する規則セットを精度の低いトレードオフで見つけることができる。
  論文  参考訳（メタデータ） (2021-11-16T13:40:28Z)
• Better Short than Greedy: Interpretable Models through Optimal Rule Boosting [10.938624307941197]
  ルールアンサンブルは、予測精度とモデル解釈可能性の間の有用なトレードオフを提供するように設計されている。 与えられたアンサンブルサイズに対して最大予測力の規則アンサンブルを適合させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-01-21T01:03:48Z)
• Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
  本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。 GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。 オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
  論文  参考訳（メタデータ） (2020-03-13T00:32:46Z)

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。