論文の概要: KG-SoftMAP: Soft Knowledge-Graph Priors for Bayesian Network Structure Learning from Sparse Discrete Data

• arxiv url: http://arxiv.org/abs/2606.10358v2
• Date: Wed, 17 Jun 2026 22:54:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 13:55:51.399374
• Title: KG-SoftMAP: Soft Knowledge-Graph Priors for Bayesian Network Structure Learning from Sparse Discrete Data
• Title（参考訳）: KG-SoftMAP:スパース離散データからベイジアンネットワーク構造学習のためのソフト知識グラフ
• Authors: Guoliang Xu, James E. Corter,
• Abstract要約: そこで我々は,KG-SoftMAPを提案する。このKG-SoftMAPは,そのような重み付き指向性知識グラフ(KG)を有限強度,信頼度重み付きエッジとして符号化する。 回復トラックKGの品質:制御された汚損はスムーズに劣化し、ゼロ信号KGはDF1$0.00$となり、LLM抽出されたKGは不完全精度でリコールされ、依然として相当な回復をもたらす。
• 参考スコア（独自算出の注目度）: 0.922437711289137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning Bayesian network (BN) structure from sparse discrete data is hard: when each instance records only a few variables, most variable pairs lack the joint observations needed for reliable scoring, and data-only methods recover little structure. However, imperfect domain knowledge, expressible as a weighted directed knowledge graph (KG), is often available. We propose KG-SoftMAP, which encodes such a KG as a finite-strength, confidence-weighted edge prior and maximizes a MAP objective combining the BDeu score with a logit-form prior; the KG may be expert-curated or LLM-extracted. On synthetic benchmarks with known DAGs, KG-SoftMAP reaches Directed-F1 (DF1) $0.19$--$0.32$ at observation rate $ρ=0.05$ and DF1 $0.44$--$0.97$ at $ρ\geq0.2$, while every data-only learner tested stays near zero under the same sparse masks. Recovery tracks KG quality: controlled corruption degrades it smoothly, a zero-signal KG yields DF1 $0.00$, and a blindly LLM-extracted KG with imperfect precision and recall still drives substantial recovery. On three real sparse educational datasets, the learned BN acts as a concept-level posterior model: on SAF it matches logistic regression (LR) within $0.03$ F1_FAIL while providing an inspectable concept graph, calibrated Fail probabilities, and tractable posterior queries from partial observations.
• Abstract（参考訳）: ばらばらな離散データからベイズネットワーク(BN)構造を学ぶことは困難であり、各インスタンスが少数の変数しか記録していない場合、ほとんどの変数ペアは信頼性の高いスコアリングに必要な共同観測を欠いている。 しかし、重み付き有向知識グラフ(KG)として表現可能な不完全なドメイン知識はしばしば利用可能である。 KG-SoftMAPは,KGを有限強度,信頼度重み付きエッジとして符号化し,BDeuスコアとロジットフォームとを組み合わせたMAP目標を最大化する。 既知のDAGを用いた合成ベンチマークでは、KG-SoftMAPはDirected-F1 (DF1) $0.19$-$0.32$ at observed rate $ρ=0.05$ and DF1 $0.44$--$0.97$ at $ρ\geq0.2$ に達する。 回復はKGの品質を追跡する:制御された汚職は滑らかに劣化し、ゼロ信号KGはDF1$0.00$となり、盲目的にLCM抽出されたKGは不完全精度でリコールされ、依然としてかなりの回復をもたらす。 SAFでは、0.03$ F1_FAIL以内のロジスティック回帰(LR)と一致し、検査可能な概念グラフ、キャリブレーションされたフェイル確率、部分的な観測から抽出可能な後部クエリを提供する。

関連論文リスト

• Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need? [57.28763506780752]
  GraphFlowは、テキストリッチなKGから現実世界のクエリに必要な正確で多様な知識を効率的に取得するフレームワークである。 GPT-4oを含む強力なKG-RAGベースラインを10%上回り、ヒット率とリコール率で上回る。 また、KGを見えないものに強く一般化し、その有効性と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-10-18T17:06:49Z)
• Efficient and Transferable Agentic Knowledge Graph RAG via Reinforcement Learning [18.9814789695716]
  知識グラフ検索強化世代(KG-RAG)は、大きな言語モデル(LLM)と構造化された検証可能な知識グラフ(KG)を結合して幻覚を減らし、推論トレースを公開する。 我々は、強化学習(RL)によるエージェントKG検索増強世代(KG-RAG)フレームワークであるKG-R1を紹介する。 KG-R1は、KGと相互作用する単一のエージェントを環境として利用し、各ステップで学習し、取得した情報をその推論と生成に組み込む。
  論文  参考訳（メタデータ） (2025-09-30T15:14:24Z)
• MuCo-KGC: Multi-Context-Aware Knowledge Graph Completion [0.0]
  Multi-Context-Aware Knowledge Graph Completion (MuCo-KGC) は、グラフ内のリンクされたエンティティや関係からのコンテキスト情報を利用して、テールエンティティを予測する新しいモデルである。 MuCo-KGCは、エンティティ記述と負の三重項サンプリングの必要性を排除し、性能を高めながら計算の複雑さを著しく低減する。 FB15k-237、WN18RR、CoDEx-S、CoDEx-Mなどの標準データセットに関する実験は、MuCo-KGCが3つのデータセット上で最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2025-03-05T01:18:11Z)
• APEX$^2$: Adaptive and Extreme Summarization for Personalized Knowledge Graphs [47.289074913035314]
  本稿では,高スケーラブルなPKG要約フレームワークであるAPEX$2$を提案する。 我々は、最大で1200万トリプルのベンチマークKGに対して、進化するクエリ設定の下でAPEX$2$を評価した。 実験の結果,APEXは問合せ精度と効率の両面で最先端のベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-12-23T07:02:06Z)
• Learning Rules from KGs Guided by Language Models [48.858741745144044]
  ルール学習手法は、潜在的に欠落する事実を予測するために適用することができる。 規則のランク付けは、高度に不完全あるいは偏りのあるKGよりも特に難しい。 近年のLanguage Models (LM) の台頭により、いくつかの研究が、LMがKG補完の代替手段として利用できると主張している。
  論文  参考訳（メタデータ） (2024-09-12T09:27:36Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models [65.51390418485207]
  本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。 関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。 我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
  論文  参考訳（メタデータ） (2022-06-28T19:46:29Z)
• MEKER: Memory Efficient Knowledge Embedding Representation for Link Prediction and Question Answering [65.62309538202771]
  知識グラフ(KG)は、事実を象徴的に構造化した記憶装置である。 KG埋め込みには、実世界の暗黙的な情報を必要とするNLPタスクで使用される簡潔なデータが含まれている。 リンク予測タスクとKGに基づく質問応答においてSOTAに比較可能な性能をもたらすメモリ効率のよいKG埋め込みモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:47:03Z)

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。