Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Rule Learning for Knowledge Graph Reasoning under Agnostic Distribution Shift

Created by
  • Haebom

作者

Shixuan Liu, Yue He, Yunfei Wang, Hao Zou, Haoxiang Cheng, Wenjing Yang, Peng Cui, Zhong Liu

概要

本論文は,従来の知識グラフ推論法のIID仮定への依存性が,訓練中の未知の標本選択偏向または試験中の分布変化によって性能劣化と信頼性の問題を引き起こすことを指摘した。これを解決するために、未知の選択偏向を持つ知識グラフで論理ルールを学習する方法を研究し、分布外(OOD)知識グラフ推論という新しい問題を定義します。本論文では、特徴相関除去とルール学習ネットワークを統合したStableRuleフレームワークを提案し、OOD状況における一般化性能を向上させます。 7つのベンチマーク知識グラフの実験は、さまざまな環境でStableRuleの卓越性と安定性を示しています。

Takeaways、Limitations

Takeaways:
未知の選択偏向と分布変化問題を持つ知識グラフ推論問題を正式に定義し,解決策を提示する。
特徴相関除去を利用してOOD一般化性能を向上させるStableRuleフレームワークの提案。
様々な知識グラフでの実験を通してStableRuleの卓越性と実用性を実証
実環境における知識グラフ推論システムの信頼性向上に寄与
Limitations:
提案されたフレームワークの性能は、使用されるベンチマークデータセットに依存し得る。
より多様で複雑な実際の世界データセットに対する追加の実験が必要です。
特徴相関除去の効果の理論的分析が不足する可能性がある。
特定の種類の選択偏向または分布変化に対してのみ有効である可能性があります。
👍