Effects of Locality and Rule Language on Explanations for Knowledge Graph Embeddings

要約

ナレッジ グラフ (KG) は、推論や質問応答など、多くの AI 関連タスクで重要なツールです。
これは、利用可能な知識から欠落した関係を予測するタスクである、KG でのリンク予測の研究を推進しています。
KG 埋め込みに基づくソリューションは、この問題で有望な結果を示しています。
欠点として、これらのアプローチは通常、予測を説明できません。
いくつかの研究では、埋め込みベースのリンク予測子の事後規則の説明を計算することが提案されていますが、これらの取り組みは主に、例えば、bornIn(x,y) => Residence(x,y) など、境界のないアトムを使用した規則に頼っています。
グローバル スコープ、つまり KG 全体。
これらの研究はいずれも、nationality(x,England) => speaks(x, English) などの境界付きアトムを持つルールの影響、または KG の地域、つまりローカル スコープからの学習の影響を考慮していません。
したがって、埋め込みベースのリンク予測子のルールベースの説明の品質に対するこれらの要因の影響を研究します。
私たちの結果は、より具体的なルールとローカルスコープが説明の精度を向上させることができることを示唆しています.
さらに、これらのルールは、リンク予測のための KG 埋め込みの内部動作に関するさらなる洞察を提供できます。

要約(オリジナル)

Knowledge graphs (KGs) are key tools in many AI-related tasks such as reasoning or question answering. This has, in turn, propelled research in link prediction in KGs, the task of predicting missing relationships from the available knowledge. Solutions based on KG embeddings have shown promising results in this matter. On the downside, these approaches are usually unable to explain their predictions. While some works have proposed to compute post-hoc rule explanations for embedding-based link predictors, these efforts have mostly resorted to rules with unbounded atoms, e.g., bornIn(x,y) => residence(x,y), learned on a global scope, i.e., the entire KG. None of these works has considered the impact of rules with bounded atoms such as nationality(x,England) => speaks(x, English), or the impact of learning from regions of the KG, i.e., local scopes. We therefore study the effects of these factors on the quality of rule-based explanations for embedding-based link predictors. Our results suggest that more specific rules and local scopes can improve the accuracy of the explanations. Moreover, these rules can provide further insights about the inner-workings of KG embeddings for link prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google