論文の概要: CLARK: Closed-loop Learning for Adaptive Reasoning over Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2607.19996v1
- Date: Wed, 22 Jul 2026 10:30:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.05688
- Title: CLARK: Closed-loop Learning for Adaptive Reasoning over Knowledge Graphs
- Title（参考訳）: CLARK:知識グラフによる適応推論のための閉ループ学習
- Abstract要約: CLARK(Closed-loop Learning for Adaptive Reasoning over Knowledge Graphs)は、知識グラフ、シンボリックルールマイニング、確率論的推論を統合するフレームワークである。
CLARKを2つの医学データセット上で評価し、ルール品質と下流分類性能の両方を分析した。
- 参考スコア（独自算出の注目度）: 2.2889981393105554
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Learning models are widely used for automating classification tasks by extracting statistical patterns from data. However, their performance deteriorates if the data distribution changes, making them ill-suited to handle uncertain and evolving information. Moreover, they provide limited support for integrating prior knowledge. To address these limitations, we present CLARK (Closed-loop Learning for Adaptive Reasoning over Knowledge Graphs), a framework that integrates knowledge graphs, symbolic rule mining, and probabilistic reasoning under the Logic Programs with Markov Logic Networks (LP$^{\text{MLN}}$) formalism. Starting from CACTUS-derived KGs, CLARK translates graph structure into an LP$^{\text{MLN}}$ program and iteratively enriches it with candidate rules proposed by symbolic learners. These rules are calibrated through probabilistic weight learning, enabling reasoning under uncertainty and refinement of the underlying graph structure. We evaluate CLARK on two medical datasets, analysing both rule quality and downstream classification performance. Results demonstrate that CLARK leads to improved classification performance and more generalisable inference. Overall, CLARK provides a principled approach to constructing adaptive, interpretable, knowledge-driven models for classification.
- Abstract（参考訳）: 機械学習モデルは、データから統計的パターンを抽出することで分類タスクを自動化するために広く利用されている。
しかし、データ分布が変化すると性能が低下し、不確実かつ進化する情報を扱うのに不適である。
さらに、それらは事前知識の統合に対する限定的なサポートを提供する。
CLARK(Closed-loop Learning for Adaptive Reasoning over Knowledge Graphs)は、知識グラフ、シンボリックルールマイニング、確率論的推論をマルコフ論理ネットワーク(LP$^{\text{MLN}}$)で統合するフレームワークである。
CACTUSから派生したKGから、CLARKはグラフ構造をLP$^{\text{MLN}}$プログラムに変換する。
これらのルールは確率的ウェイトラーニングによって校正され、基礎となるグラフ構造の不確実性と洗練の下での推論を可能にする。
CLARKを2つの医学データセット上で評価し、ルール品質と下流分類性能の両方を分析した。
その結果,CLARKにより分類性能が向上し,より一般化可能な推論が可能となった。
CLARKは、分類のための適応的で解釈可能な知識駆動モデルを構築するための原則化されたアプローチを提供する。
関連論文リスト
- VulReaD: Knowledge-Graph-guided Software Vulnerability Reasoning and Detection [37.944533057524986]
VulReaDは、脆弱性推論と検出のための知識グラフ誘導アプローチである。
CWE-Consistent contrastive reasoning supervision を生成し、手動のアノテーションを使わずに学生モデルトレーニングを可能にする。
バイナリF1を8-10%、マクロF1を30%、マイクロF1を18%改善する。
論文 参考訳（メタデータ） (2026-02-11T12:24:51Z) - Learning from Sufficient Rationales: Analysing the Relationship Between Explanation Faithfulness and Token-level Regularisation Strategies [5.225254533678075]
モデル性能に及ぼす理性情報の影響について検討する。
非常に有意義な合理性は、インスタンスを正しく分類するのに役立ちそうにない。
また、モデル入力に合理的情報を組み込むことで、ドメイン間の分類が促進されるが、タスクごとに結果が矛盾していることが判明した。
論文 参考訳（メタデータ） (2025-11-20T13:39:20Z) - G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。
最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。
G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
論文 参考訳（メタデータ） (2025-09-29T04:38:12Z) - Two Birds with One Stone: Enhancing Uncertainty Quantification and Interpretability with Graph Functional Neural Process [27.760002432327962]
グラフニューラルネットワーク(GNN)は、グラフデータに強力なツールである。
しかし、それらの予測は誤校正され、解釈性に欠ける。
本稿では,新しい不確実性と解釈可能なグラフ分類モデルを提案する。
論文 参考訳（メタデータ） (2025-08-23T17:48:05Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - Knowledge Graph Enhanced Generative Multi-modal Models for Class-Incremental Learning [51.0864247376786]
学習過程を通じて進化する知識グラフを構築する知識グラフ強化多モードモデル(KG-GMM)を導入する。
テスト中,生成されたテキスト内の関係を解析し,特定のカテゴリを特定する知識グラフ拡張推論手法を提案する。
論文 参考訳（メタデータ） (2025-03-24T07:20:43Z) - Markov Process-Based Graph Convolutional Networks for Entity Classification in Knowledge Graphs [1.6252896527001486]
マルコフプロセスに基づくアーキテクチャをよく知られたグラフ畳み込みネットワーク(GCN)に導入する。
このエンドツーエンドネットワークは、マルコフプロセス内の知識グラフにおけるエンティティのクラスアフィリエイトの予測を学習する。
実験は、いくつかの研究されたアーキテクチャとデータセットにおいて、既存のモデルよりもパフォーマンスが向上したことを示している。
論文 参考訳（メタデータ） (2024-12-23T09:59:49Z) - Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳（メタデータ） (2024-02-25T07:03:37Z) - XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。
XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。
6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
論文 参考訳（メタデータ） (2023-10-09T08:07:04Z) - Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。
具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文 参考訳（メタデータ） (2022-01-17T11:57:29Z) - EvoLearner: Learning Description Logics with Evolutionary Algorithms [2.0096667731426976]
知識グラフにおけるノードの分類は重要なタスクであり、例えば、欠落したタイプのエンティティを予測したり、どの分子ががんの原因となるかを予測したり、どの薬物が有望な治療候補であるかを予測する。
EvoLearner - 肯定的および否定的な例から記述論理の概念を学習するための進化的アプローチを提案する。
論文 参考訳（メタデータ） (2021-11-08T23:47:39Z) - Few-Shot Incremental Learning with Continually Evolved Classifiers [46.278573301326276]
Few-shot Class-Incremental Learning(FSCIL)は、いくつかのデータポイントから新しい概念を継続的に学習できる機械学習アルゴリズムの設計を目指している。
難点は、新しいクラスからの限られたデータが、重大な過度な問題を引き起こすだけでなく、破滅的な忘れの問題も悪化させることにある。
我々は,適応のための分類器間のコンテキスト情報を伝達するグラフモデルを用いた連続進化型cif(cec)を提案する。
論文 参考訳（メタデータ） (2021-04-07T10:54:51Z)
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。