論文の概要: SLogic: Subgraph-Informed Logical Rule Learning for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2510.00279v1
• Date: Tue, 30 Sep 2025 20:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.255282
• Title: SLogic: Subgraph-Informed Logical Rule Learning for Knowledge Graph Completion
• Title（参考訳）: SLogic:知識グラフ補完のためのサブグラフインフォームド論理規則学習
• Authors: Trung Hoang Le, Tran Cao Son, Huiping Cao,
• Abstract要約: 本稿では、クエリ依存のスコアを論理ルールに割り当てるフレームワークであるSLogicを紹介する。 SLogicの中核は、クエリのヘッダーエンティティを中心としたサブグラフを利用するスコアリング機能である。 ローカルなサブグラフコンテキストを活用することで、SLogicは一貫して最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 2.8845104295670017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Logical rule-based methods offer an interpretable approach to knowledge graph completion by capturing compositional relationships in the form of human-readable inference rules. However, current approaches typically treat logical rules as universal, assigning each rule a fixed confidence score that ignores query-specific context. This is a significant limitation, as a rule's importance can vary depending on the query. To address this, we introduce SLogic (Subgraph-Informed Logical Rule learning), a novel framework that assigns query-dependent scores to logical rules. The core of SLogic is a scoring function that utilizes the subgraph centered on a query's head entity, allowing the significance of each rule to be assessed dynamically. Extensive experiments on benchmark datasets show that by leveraging local subgraph context, SLogic consistently outperforms state-of-the-art baselines, including both embedding-based and rule-based methods.
• Abstract（参考訳）: 論理ルールに基づく手法は、人間可読推論規則の形式で構成関係をキャプチャすることで、知識グラフ補完に対する解釈可能なアプローチを提供する。 しかし、現在のアプローチは論理ルールを普遍的なものとして扱い、各ルールにクエリ固有のコンテキストを無視した信頼スコアを割り当てる。 ルールの重要性はクエリによって異なるため、これは大きな制限となる。 そこで我々はSLogic(Subgraph-Informed Logical Rule Learning)という,クエリ依存のスコアを論理規則に割り当てる新しいフレームワークを紹介した。 SLogicの中核は、クエリのヘッダーエンティティを中心としたサブグラフを利用するスコアリング機能であり、各ルールの重要性を動的に評価することができる。 ベンチマークデータセットの大規模な実験によると、ローカルなサブグラフコンテキストを活用することで、SLogicは組込みベースとルールベースの方法の両方を含む最先端のベースラインを一貫して上回っている。

関連論文リスト

• ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
  そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。 具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。 生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
  論文  参考訳（メタデータ） (2023-09-04T11:38:02Z)
• 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)
• RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
  本稿では知識グラフに基づく推論のための論理規則の学習について研究する。 論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。 既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
  論文  参考訳（メタデータ） (2020-10-08T14:47:02Z)

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。