Path-based Explanation for Knowledge Graph Completion

要約

グラフニューラルネットワーク(GNN)は、近年、実体と関係がどのように相互作用するかをモデル化することで、知識グラフ補完(KGC)において大きな成功を収めている。しかし、予測された事実の説明は、必要な注意を払っていない。GNNベースのKGCモデルの結果に対する適切な説明は、モデルの透明性を高め、研究者がより信頼性の高いモデルを開発するのに役立つ。KGCタスクを説明するための既存の手法は、インスタンス／サブグラフに基づくアプローチに依存しているが、シナリオによっては、パスがよりユーザーフレンドリーで解釈可能な説明を提供することができる。それにもかかわらず、KGのためのパスベースの説明を生成するための手法は十分に研究されていない。このギャップを解決するために、我々はGNNベースのモデルを探索する、最初のパスベースのKGC説明器であるPower-Linkを提案する。我々は、完全に並列化可能でメモリ効率の良い学習スキームでパスベースの説明を生成することを可能にする、新しい簡略化されたグラフパワリング技術を設計する。さらに、説明の定量的評価のための3つの新しい評価指標と、定性的な人間による評価を紹介する。広範な実験により、Power-Linkは解釈可能性、効率性、拡張性においてSOTAベースラインを上回ることが実証された。

要約(オリジナル)

Graph Neural Networks (GNNs) have achieved great success in Knowledge Graph Completion (KGC) by modelling how entities and relations interact in recent years. However, the explanation of the predicted facts has not caught the necessary attention. Proper explanations for the results of GNN-based KGC models increase model transparency and help researchers develop more reliable models. Existing practices for explaining KGC tasks rely on instance/subgraph-based approaches, while in some scenarios, paths can provide more user-friendly and interpretable explanations. Nonetheless, the methods for generating path-based explanations for KGs have not been well-explored. To address this gap, we propose Power-Link, the first path-based KGC explainer that explores GNN-based models. We design a novel simplified graph-powering technique, which enables the generation of path-based explanations with a fully parallelisable and memory-efficient training scheme. We further introduce three new metrics for quantitative evaluation of the explanations, together with a qualitative human evaluation. Extensive experiments demonstrate that Power-Link outperforms the SOTA baselines in interpretability, efficiency, and scalability.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL