大規模異種知識グラフのためのスケーラブルで解釈可能なルールベースリンク予測【JST・京大機械翻訳】

Ott Simon; Graf Laura; Agibetov Asan; Meilicke Christian; Samwald Matthias

プレプリント

J-GLOBAL ID：202202200714744228 整理番号：22P0216864

大規模異種知識グラフのためのスケーラブルで解釈可能なルールベースリンク予測【JST・京大機械翻訳】

Scalable and interpretable rule-based link prediction for large heterogeneous knowledge graphs

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2020年12月10日プレプリントサーバーでの情報更新日： 2020年12月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

神経埋込みベース機械学習モデルは,生物医学知識グラフにおける新しいリンクの予測に有望であることを示した。残念なことに,それらの実用的有用性は解釈可能性の欠如によって減少する。最近,完全解釈可能,ルールベースアルゴリズムAnyBURLは,多くの汎用リンク予測ベンチマークに対して高度に競合した結果をもたらした。しかし,複雑な生物医学知識ベースに関する大規模予測タスクへのその適用性は,長い推論時間と多重ルールによって作られた凝集予測による困難によって制限される。スケーラブルクラスタリングアルゴリズムを通して規則を集約するSAFRANルールアプリケーションフレームワークを導入することによって,AnyBURLを改善した。SAFRANは,確立された汎用ベンチマークFB15K-237と大規模バイオメディカルベンチマークOpenBioLinkに関する完全解釈可能なリンク予測のための新しい最先端の結果をもたらした。さらに,それはFB15K-237に関する多重確立された埋込みベースのアルゴリズムの結果を超え,OpenBioLinkに関する規則ベースと埋込みベースのアルゴリズムの間のギャップを狭める。また,SAFRANは推定速度を2桁まで増加させることを示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る