Predicate-Conditional Conformalized Answer Sets for Knowledge Graph Embeddings

要約

知識グラフ埋め込み（KGE）方法の不確実性の定量化は、ダウンストリームアプリケーションの信頼性を確保するために重要です。
最近の研究では、KGEメソッドに適合予測を適用し、事前定義された信頼レベルで真の答えを含めることが保証されている一連の答えを生成することにより、不確実性の推定値を提供します。
ただし、既存の方法は、クエリと回答の参照セットで平均化された確率的保証を提供します（限界カバレッジ保証）。
医療診断などのハイステークスアプリケーションでは、しばしばより強力な保証が必要です。予測セットは、クエリごとに一貫したカバレッジを提供する必要があります（条件付きカバレッジ保証）。
CondkGCPを提案します。これは、コンパクトな予測セットを維持しながら、述語条件のカバレッジ保証を近似する新しい方法です。
CondkGCPは、類似したベクトル表現と述べられていると述べ、ランク情報とキャリブレーションを拡張します。
理論的保証を証明し、包括的な評価によりcondkGCPの経験的有効性を実証します。

要約(オリジナル)

Uncertainty quantification in Knowledge Graph Embedding (KGE) methods is crucial for ensuring the reliability of downstream applications. A recent work applies conformal prediction to KGE methods, providing uncertainty estimates by generating a set of answers that is guaranteed to include the true answer with a predefined confidence level. However, existing methods provide probabilistic guarantees averaged over a reference set of queries and answers (marginal coverage guarantee). In high-stakes applications such as medical diagnosis, a stronger guarantee is often required: the predicted sets must provide consistent coverage per query (conditional coverage guarantee). We propose CondKGCP, a novel method that approximates predicate-conditional coverage guarantees while maintaining compact prediction sets. CondKGCP merges predicates with similar vector representations and augments calibration with rank information. We prove the theoretical guarantees and demonstrate empirical effectiveness of CondKGCP by comprehensive evaluations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google