Fugu-MT 論文翻訳(概要): Uncertainty in Representation Learning on Knowledge Graphs

論文の概要: Uncertainty in Representation Learning on Knowledge Graphs

arxiv url: http://arxiv.org/abs/2610.06974v1
Date: Sat, 03 Oct 2026 23:02:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 02:58:29.48563
Title: Uncertainty in Representation Learning on Knowledge Graphs
Title（参考訳）: 知識グラフを用いた表現学習の不確かさ
Abstract要約: 知識グラフ埋め込み(KGE)法は、欠落した知識を推測するために連続ベクトル空間における実体と述語を表す。この論文は、知識の不確実性、不完全、ノイズ、確率的な入力知識から生じる不確実性、モデルトレーニングにおけるランダム性によって引き起こされる不確実性、の3つの原因を調査する。
参考スコア（独自算出の注目度）: 5.439020425819
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Knowledge graph embedding (KGE) methods represent entities and predicates in continuous vector spaces to infer missing knowledge. Despite strong benchmark performance, their predictions often lack principled reliability guarantees, limiting their use in high-stakes applications. Moreover, uncertainty arises throughout the KGE pipeline, from incomplete or probabilistic input knowledge to stochastic training and prediction. This thesis systematically investigates three sources of uncertainty in KGE: knowledge uncertainty, arising from incomplete, noisy, or probabilistic input knowledge; algorithmic uncertainty, induced by randomness in model training; and predictive uncertainty, concerning the reliability of model outputs. To address algorithmic uncertainty, the thesis demonstrates that models trained under identical settings can produce substantially different predictions and introduces a voting-based aggregation framework to mitigate this instability. To quantify predictive uncertainty, it adapts conformal prediction to KGE, constructing answer sets with distribution-free coverage guarantees and extending them to provide predicate-conditional reliability guarantees. To support reasoning under knowledge uncertainty, it develops statistically valid prediction intervals for confidence-scored triples and an embedding-based approach to approximate probabilistic reasoning over statistical ontologies with formal soundness guarantees. Together, these complementary, model-agnostic methods provide a practical and theoretically grounded approach to uncertainty in KGE, advancing beyond predictive accuracy toward reliable and uncertainty-aware knowledge graph reasoning.
Abstract（参考訳）: 知識グラフ埋め込み(KGE)法は、欠落した知識を推測するために連続ベクトル空間における実体と述語を表す。強いベンチマーク性能にもかかわらず、その予測には信頼性保証の原則が欠如しており、高い評価のアプリケーションでの使用を制限している。さらに、不完全あるいは確率的な入力知識から確率的トレーニングや予測に至るまで、KGEパイプライン全体に不確実性が発生する。この論文は、KGEにおける知識の不確実性(不完全、ノイズ、確率的な入力知識から生じる)、アルゴリズム的不確実性(モデルトレーニングにおけるランダム性によって引き起こされる)、モデル出力の信頼性に関する予測的不確実性(予測的不確実性)という3つの要因を体系的に研究している。アルゴリズムの不確実性に対処するために、同じ設定下でトレーニングされたモデルが、かなり異なる予測を生成できることを示し、この不安定性を緩和するために投票ベースの集約フレームワークを導入する。予測の不確実性を定量化するために、KGEに適合予測を適用し、分布のないカバレッジ保証を備えた回答セットを構築し、述語条件の信頼性保証を提供するように拡張する。知識の不確実性下での推論を支援するため, 確率論的に妥当な三重項の予測間隔と, 形式的音性保証を伴う統計オントロジに対する確率的推論を近似する埋め込み型アプローチを開発する。これらの相補的モデルに依存しない手法は、KGEにおける不確実性に対する実践的で理論的に基礎的なアプローチを提供し、信頼性と不確実性を認識する知識グラフ推論への予測精度を超えて進んでいる。

関連論文リスト

Accurate and Reliable Uncertainty Estimates for Deterministic Predictions Extensions to Under and Overpredictions [0.5702909326640887]
我々はACCurate and Reliable Uncertainty Estimate (ACCRUE)フレームワークを拡張し、入力依存の非ガウスの不確実性分布を学習する。提案手法は,入力依存の不確実性構造を捕捉し,既存手法と比較して確率的予測を改善する。
論文参考訳（メタデータ） (2026-04-09T20:39:46Z)
Certainty in Uncertainty: Reasoning over Uncertain Knowledge Graphs with Statistical Guarantees [24.48143253497661]
textscUnKGCPは、ユーザが指定した信頼度で真のスコアを含むことが保証される予測間隔を生成する。間隔に関する理論的保証を提供し、これらの保証を実証的に検証する。様々なUnKGE法による標準ベンチマークの実験は、間隔が鋭く、予測の不確実性を効果的に捉えていることをさらに示している。
論文参考訳（メタデータ） (2025-10-18T17:58:17Z)
Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
論文参考訳（メタデータ） (2024-12-24T23:28:20Z)
Beyond Uncertainty Quantification: Learning Uncertainty for Trust-Informed Neural Network Decisions - A Case Study in COVID-19 Classification [7.383605511698832]
信頼性の高い不確実性定量化は、医学的診断のような高い評価の応用において重要である。従来の不確実性定量化法は、予測を自信または不確実性として分類するために、予め定義された信頼しきい値に依存する。このアプローチは、しきい値を超える予測は信頼に値するが、それ以下の予測は信頼性の高い予測の正確性を明確に評価することなく不確実であると仮定する。本研究では,予測の信頼度を学習することで,従来の不確実性定量化を拡張した不確実性認識型ニューラルネットワークを提案する。
論文参考訳（メタデータ） (2024-09-19T04:20:12Z)
Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。本稿では,LLMのための不確実性分解フレームワークについて述べる。提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
論文参考訳（メタデータ） (2023-11-15T05:58:35Z)
Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文参考訳（メタデータ） (2023-08-03T12:43:21Z)
Model-free generalized fiducial inference [0.0]
等角予測(CP)は有限サンプル確率予測を保証するために開発された。 CPアルゴリズムは、不確実性定量化に対する比較的汎用的なアプローチであり、有限サンプル保証は、汎用性に欠ける。本稿では,不正確な確率論から,CPと一般化フィデューシャル(GF)推論の間の公式な接続を構築するためのツールを提案する。
論文参考訳（メタデータ） (2023-07-24T01:58:48Z)
Quantifying Deep Learning Model Uncertainty in Conformal Prediction [1.4685355149711297]
コンフォーマル予測(Conformal Prediction)は、モデルの不確実性を表現するための有望なフレームワークである。本稿では,最先端CP手法とその理論的基礎について考察する。
論文参考訳（メタデータ） (2023-06-01T16:37:50Z)
Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文参考訳（メタデータ） (2022-10-24T17:53:20Z)
Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文参考訳（メタデータ） (2021-11-22T08:54:10Z)
DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文参考訳（メタデータ） (2021-02-16T23:50:35Z)

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。