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。

Probabilistic Circuits for Knowledge Graph Completion with Reduced Rule Sets

Created by
  • Haebom

作者

Jaikrishna Manojkumar Patil, Nathaniel Lee, Al Mehdi Saadat Chowdhury, YooJung Choi, Paulo Shakarian

概要

この論文は、知識グラフを完成するためのルールベースの方法の説明可能性とパフォーマンスとの間の矛盾を解決する新しい方法を提供します。既存のルールベースの方法では、高いパフォーマンスを得るために多数のルールが必要になり、説明の可能性が低下するという問題があります。これを解決するために、本論文は学習データに意味のあるルールサブセットを見つけ、これらのルールサブセットの学習された確率分布（確率回路）を使用してルールセット全体のパフォーマンスに近い結果をより迅速に取得します。実験の結果、ルール数を70〜96％まで減らし、従来の最高性能方法（AnyBURL）より最大31倍速い性能を示し、最小ルールセットでも既存方法の全体ルールセット性能の91％を達成しました。さらに、提案された方法は確率論理のよく知られた意味論に基づいており、独立性仮定を必要とせず、推論手順は近似下限と正確な確率の両方を提供することを示した。 8つの標準ベンチマークデータセットで競争力のあるパフォーマンスを実証しました。

Takeaways、Limitations

•
Takeaways：
◦
知識グラフを完成させるためのルールベースの方法の効率を大幅に向上しました。
◦
ルールの数を大幅に削減しながらも高いパフォーマンスを維持し、説明の可能性を高めました。
◦
確率ロジックに基づく堅牢な理論的基盤を提供します。
◦
様々な知識グラフの完成問題に適用可能性を示した。
◦
学習された一連の規則に対する一般的な確率的推論のTakeawaysを提供します。
•
Limitations:
◦
提案された方法の性能は、使用される確率回路の表現能力に依存し得る。
◦
非常に大きなルールセットのスケーラビリティに関するさらなる研究が必要になる場合があります。
◦
様々な種類の知識グラフに対する一般化性能のさらなる検証が必要である。
👍
Made with Slashpage