論文の概要: CQD-SHAP: Explainable Complex Query Answering via Shapley Values

• arxiv url: http://arxiv.org/abs/2510.15623v1
• Date: Fri, 17 Oct 2025 13:09:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.629416
• Title: CQD-SHAP: Explainable Complex Query Answering via Shapley Values
• Title（参考訳）: CQD-SHAP: 共有値による説明可能な複雑クエリ回答
• Authors: Parsa Abbasi, Stefan Heindorf,
• Abstract要約: 複雑なクエリ応答(CQA)は、よく研究されたリンク予測タスクを超えます。 CQD-SHAP(CQD-SHAP)は,特定の解のランク付けに対する各問合せ部分の寄与を計算する新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 2.015325869229528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex query answering (CQA) goes beyond the well-studied link prediction task by addressing more sophisticated queries that require multi-hop reasoning over incomplete knowledge graphs (KGs). Research on neural and neurosymbolic CQA methods is still an emerging field. Almost all of these methods can be regarded as black-box models, which may raise concerns about user trust. Although neurosymbolic approaches like CQD are slightly more interpretable, allowing intermediate results to be tracked, the importance of different parts of the query remains unexplained. In this paper, we propose CQD-SHAP, a novel framework that computes the contribution of each query part to the ranking of a specific answer. This contribution explains the value of leveraging a neural predictor that can infer new knowledge from an incomplete KG, rather than a symbolic approach relying solely on existing facts in the KG. CQD-SHAP is formulated based on Shapley values from cooperative game theory and satisfies all the fundamental Shapley axioms. Automated evaluation of these explanations in terms of necessary and sufficient explanations, and comparisons with various baselines, shows the effectiveness of this approach for most query types.
• Abstract（参考訳）: 複雑なクエリ応答(CQA)は、不完全知識グラフ(KG)よりもマルチホップ推論を必要とするより洗練されたクエリに対処することで、よく研究されたリンク予測タスクを越えている。 ニューラルおよびニューロシンボリックCQA法の研究は、いまだに新しい分野である。 これらの手法のほとんど全てをブラックボックスモデルと見なすことができ、ユーザ信頼に関する懸念を引き起こす可能性がある。 CQDのようなニューロシンボリックなアプローチは少し解釈可能であり、中間的な結果を追跡できるが、クエリの異なる部分の重要性は説明されていない。 本稿では,特定の回答のランク付けに対する各問合せ部分の寄与を計算する新しいフレームワークであるCQD-SHAPを提案する。 この貢献は、KGの既存の事実にのみ依存するシンボリックアプローチではなく、不完全なKGから新しい知識を推論できる神経予測器を活用する価値を説明する。 CQD-SHAPは、協調ゲーム理論のシェープリー値に基づいて定式化され、全てのシャプリー公理を満たす。 これらの説明を必要十分かつ十分な説明で自動評価し、様々なベースラインと比較すると、ほとんどのクエリータイプに対してこのアプローチの有効性が示される。

関連論文リスト

• Transformers for Complex Query Answering over Knowledge Hypergraphs [48.55646194244594]
  三重KGは、アーニティ2の実体と関係からなる古典的なKGとして、現実世界の事実の限定的な表現を持つ。 本稿では,2段階の変圧器モデルである論理知識ハイパーグラフ変換器(LKHGT)を提案する。 CQAデータセットの実験結果から,LKHGTはKHG上の最先端のCQA手法であり,アウト・オブ・ディストリビューションクエリタイプに一般化可能であることが示された。
  論文  参考訳（メタデータ） (2025-04-23T09:07:21Z)
• Adapting Neural Link Predictors for Data-Efficient Complex Query Answering [45.961111441411084]
  本稿では,複雑な問合せタスクに対して,ニューラルネットワーク予測スコアを再校正するために最適化されたパラメータ効率のスコア強調モデルを提案する。 CQD$mathcalA$は現在の最先端手法よりもはるかに正確な結果が得られる。
  論文  参考訳（メタデータ） (2023-01-29T00:17:16Z)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
  本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。 提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
  論文  参考訳（メタデータ） (2022-02-22T01:34:35Z)
• Improving Embedded Knowledge Graph Multi-hop Question Answering by introducing Relational Chain Reasoning [8.05076085499457]
  知識ベース質問回答(KBQA)は、トピックエンティティと回答の間の推論を識別することで、知識ベース(KB)からのユーザ要求に答える。 KBQA の複素分岐タスクとして、マルチホップ KGQA は構造化された KG に保存された多重ホップ関係鎖の推論を必要とする。
  論文  参考訳（メタデータ） (2021-10-25T06:53:02Z)
• Counterfactual Variable Control for Robust and Interpretable Question Answering [57.25261576239862]
  ディープニューラルネットワークに基づく質問応答(QA)モデルは、多くの場合、堅牢でも説明もできない。 本稿では、因果推論を用いてQAモデルのこのような突発的な「能力」を検証する。 本稿では,任意のショートカット相関を明示的に緩和する,CVC(Counterfactual Variable Control)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-12T10:09:05Z)

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。