論文の概要: Provenance-Enhanced Statements in Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2606.15246v1
- Date: Sat, 13 Jun 2026 11:01:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.152843
- Title: Provenance-Enhanced Statements in Knowledge Graphs
- Title（参考訳）: 知識グラフにおける先行文の強化
- Abstract要約: X$, $varphi$" という形の証明付きステートメントは、現代の知識グラフにおいて広く普及している。
現在の証明モデルは、誰が何を主張したかを記録することができるが、通常、証明は意味的に中立であるとして扱う。
先天的な姿勢の指標として述語を解釈するフレームワークであるDECを導入し,認知の世界に先天的・同質な言明の集合を紹介する。
- 参考スコア（独自算出の注目度）: 0.08594140167290097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Provenance-enhanced statements of the form "according to $X$, $\varphi$" are pervasive in contemporary knowledge graphs, especially in domains where graph content primarily represents claims, interpretations, and hypotheses (\emph{capta}) rather than observer-independent facts (\emph{data}). Current provenance models can record who asserted what, but they typically treat provenance as semantically neutral, leaving underspecified how attributed claims relate to factual commitment, to one another, and to reasoning. In this paper we introduce DEC, a framework that interprets provenance predicates as indicators of epistemic stance and groups provenance-homogeneous sets of statements into \emph{cognitive worlds}. Drawing on cognitive modal logics (doxastic, epistemic, and conjectural), DEC characterizes locality, rationality, and controlled permeation between cognitive worlds and a distinguished factual core ("reality"), thereby enabling principled reasoning over attributed content without collapsing disagreements into inconsistencies. We formalize a DEC interpretation for RDF datasets that is conservative over RDF~1.2 semantics, clarify the role of intensionality and identity (including the Superman paradox), and illustrate the approach on common Semantic Web representations (named graphs, quoted triples/RDF-star, and reification). Finally, we describe our prototype DEC reasoner implemented as a Fuseki dataset module, supporting controlled factualisation and explicit detection of disagreements and delusions.
- Abstract（参考訳）: X$, $\varphi$" という形の証明付きステートメントは、特にグラフの内容が観察者に依存しない事実(\emph{data})ではなく、主張、解釈、仮説(\emph{capta})を主に表す領域において、現代知識グラフにおいて広く普及している。
現在の証明モデルは、誰が何を主張したかを記録できるが、彼らは通常、証明が意味的に中立であるとして扱う。
本稿では, 先験述語を認識的姿勢の指標として解釈するフレームワークであるDECを紹介し, 証明-同質な文集合を \emph{cognitive worlds} に導入する。
認知モーダル論理 (doxastic, epistemic, and conjectural) に基づくDECは、認知世界の局所性、合理性、制御された透過性を特徴付ける。
我々はRDF〜1.2セマンティクスより保守的なRDFデータセットに対するDEC解釈を定式化し、インテンシティとアイデンティティ(スーパーマンパラドックスを含む)の役割を明らかにし、共通のセマンティックWeb表現(グラフ、引用トリプル/RDF-スター、リフィケーション)に対するアプローチを説明する。
最後に,Fusekiデータセットモジュールとして実装したプロトタイプDEC推論器について述べる。
関連論文リスト
- Evidential-Based Higher-Order Set Argumentation Framework [2.7020803130322117]
EHSAF(Evidential-based Higher-Order Set Argumentation Framework)
EHSAFのための2つの完全なセマンティクスを開発する。
我々は彼らの同値性を支持非循環で証明する。
論文 参考訳（メタデータ） (2026-08-28T01:46:39Z) - Evaluating Bivariate Causal Statements Based on Mutual Compatibility [7.594559816880284]
我々は$n$変数の集合上で因果文を評価する方法を開発した。
信頼の前提に頼らずに、この可算性の概念を定量化する互換性スコアを導入する。
両スコアが、一般的な設定における誤った因果関係文と正しく区別できるという理論的および実証的な証拠を与える。
論文 参考訳（メタデータ） (2026-05-29T19:15:09Z) - EruDiff: Refactoring Knowledge in Diffusion Models for Advanced Text-to-Image Synthesis [49.883192716595026]
EruDiffは、難解な暗黙のプロンプトの知識分布を、明確に定義された明示的なアンカーの知識分布と整合させることを目指している。
そこで我々はDK-DM (Diffusion Knowledge Distribution Matching) を開発し、暗黙的なプロンプトの知識分布を、明確に定義された明示的なアンカーの知識分布に登録する。
我々は, きめ細かい補正にNO-RL戦略を用いる。
論文 参考訳（メタデータ） (2026-03-21T14:04:08Z) - Project Ariadne: A Structural Causal Framework for Auditing Faithfulness in LLM Agents [0.0]
エージェント推論の因果的整合性を評価するための新しいXAIフレームワークである textbfProject Ariadne を紹介する。
表面レベルのテキスト類似性に依存する既存の解釈可能性メソッドとは異なり、Project Ariadne は中間推論ノードに対して textbfhard の介入(do$-calculus)を行う。
我々の最先端モデルに対する実証的な評価は、永続的なテクスチャフルネスギャップを明らかにします。
論文 参考訳（メタデータ） (2026-01-05T18:05:29Z) - A Unified Representation Underlying the Judgment of Large Language Models [6.674085049223262]
生物学的および人工知能両方のアーキテクチャ上の問題は、判断が特別なモジュールに依存するか、あるいは統一されたドメイン・ジェネラル・リソースに依存しているかである。
評価判断が支配的次元に沿って計算されることを示し、これをVAA(Valence-Assent Axis)と呼ぶ。
VAAは生成過程の制御信号として機能し、実際の精度を犠牲にしても、その評価状態と整合した合理性を構築する。
論文 参考訳（メタデータ） (2025-10-31T09:57:19Z) - Semantic Bridges Between First Order c-Representations and Cost-Based Semantics: An Initial Perspective [0.45880283710344055]
重み付けされた知識ベースとデファジブル条件セットが解釈に基づいて同じ順序を生成可能であることを示す。
我々の結果は、コストベースのセマンティクスとc-表現の両方において、さらなる作業の恩恵を受ける可能性がある。
論文 参考訳（メタデータ） (2025-10-01T12:27:19Z) - From Knowledge to Conjectures: A Modal Framework for Reasoning about Hypotheses [2.06682776181122]
本稿では,主観的推論の形式化を目的とした認知モーダル論理の新たなファミリを紹介する。
導出論理は Axiom C と呼ばれる原理に依存しており、すべての確立された事実が仮説的な層にまたがって保存されることを保証する。
また、予想から受理事実への遷移を形式化する動的演算 $mathsfsettle(varphi)$ も導入する。
論文 参考訳（メタデータ） (2025-08-10T11:37:49Z) - "You Are An Expert Linguistic Annotator": Limits of LLMs as Analyzers of
Abstract Meaning Representation [60.863629647985526]
文意味構造の解析において, GPT-3, ChatGPT, および GPT-4 モデルの成功と限界について検討した。
モデルはAMRの基本形式を確実に再現でき、しばしばコアイベント、引数、修飾子構造をキャプチャできる。
全体としては,これらのモデルではセマンティック構造の側面を捉えることができるが,完全に正確なセマンティック解析や解析をサポートする能力には重要な制限が残されている。
論文 参考訳（メタデータ） (2023-10-26T21:47:59Z) - Prototype-based Aleatoric Uncertainty Quantification for Cross-modal
Retrieval [139.21955930418815]
クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。
しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。
本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T09:41:19Z) - Logical Satisfiability of Counterfactuals for Faithful Explanations in
NLI [60.142926537264714]
本稿では, 忠実度スルー・カウンタファクトの方法論について紹介する。
これは、説明に表される論理述語に基づいて、反実仮説を生成する。
そして、そのモデルが表現された論理と反ファクトの予測が一致しているかどうかを評価する。
論文 参考訳（メタデータ） (2022-05-25T03:40:59Z) - AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。
アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。
我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
論文 参考訳（メタデータ） (2021-04-01T17:40:08Z) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳（メタデータ） (2020-04-18T20:09:34Z)
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。