Simple and Interpretable Probabilistic Classifiers for Knowledge Graphs

要約

記述ロジックで表現されたナレッジ グラフのコンテキストで不完全なデータから確率的分類器を学習するという問題に取り組み、単純な信念ネットワークの学習に基づく帰納的アプローチについて説明します。
具体的には、多変量ベルヌーイに基づく基本的な確率モデルであるナイーブ ベイズ分類器と、この分類モデルがベルヌーイの混合で構成される下位層に接続される 2 層ネットワークへのその拡張を検討します。
このようなモデルを (確率的な) 公理 (またはルール) に変換して、より解釈可能性を高める方法を示します。
さらに、専門知識を利用して初期化することもできます。
我々は、異なるオントロジーを使用した多数のランダム分類問題に対するモデルの有効性をテストすることを目的とした経験的評価の結果を提示し、議論します。

要約(オリジナル)

Tackling the problem of learning probabilistic classifiers from incomplete data in the context of Knowledge Graphs expressed in Description Logics, we describe an inductive approach based on learning simple belief networks. Specifically, we consider a basic probabilistic model, a Naive Bayes classifier, based on multivariate Bernoullis and its extension to a two-tier network in which this classification model is connected to a lower layer consisting of a mixture of Bernoullis. We show how such models can be converted into (probabilistic) axioms (or rules) thus ensuring more interpretability. Moreover they may be also initialized exploiting expert knowledge. We present and discuss the outcomes of an empirical evaluation which aimed at testing the effectiveness of the models on a number of random classification problems with different ontologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google