KDDOct, 2019

利用知识库在节点嵌入中找到可解释的概念空间

PDF
TL;DR本文提出和研究了一个新问题，即通过在已经训练好的无监督节点表示嵌入中找到嵌入的人类可解释子空间来解释节点嵌入。我们使用一个人类可理解的概念组成的分类知识库作为指南，在从维基百科中导出的实体图上学习的节点嵌入中识别子空间。我们提出了一种方法，通过给定一个概念，找到一个线性变换到子空间，以保留概念的结构。我们的初步实验表明，我们在找到精细概念方面获得了较低的误差。
node embeddingsunsupervised learninghuman interpretable subspacesentity graphwikipedia
发现论文，激发创造
  • 以概念子空间为基础的实体嵌入用于合理推理

    本研究提出一种基于向量空间嵌入的方法，通过 Wikipedia 学习实体的嵌入并将其限制在某些较低维度子空间中，以解决概念空间表示建模自动化的局限性，实验结果表明这些子空间能够作为近似的概念空间表示，其重要特征可以被建模为方向，而自然属性则往往对应于凸区域。

    Feb, 2016

  • 通过概念化解释嵌入空间

    本文提出了一种将任何嵌入空间转换成易理解的概念空间的方法，并展示了该方法在语义表示方面的实用价值，如发现潜藏的偏见和比较不同模型间语义的差异。

    Aug, 2022

  • 超越词嵌入：从大规模知识库中学习实体和概念表示

    本文提出了一种新颖而简单的技术，将来自不同结构的两个大型知识库中的概念知识（Wikipedia 和 Probase）整合起来，学习概念表示，并在两个任务上评估了概念嵌入模型：类比推理和概念分类，并展示了无监督环境中用于神经语义分析的参数识别的案例研究，相对于 gazetteer 和正则表达式等繁琐易出错的方法，我们的无监督方法具有更好的泛化能力。

    Jan, 2018

  • SSP: 基于文本描述的知识图谱嵌入的语义空间投影

    本篇论文提出了一种语义表示方法（KSR）来处理知识图谱中的符号实体和关系。该方法采用两级分层生成过程来提取语义有效的方面和类别，从而优于其他现有基准模型。

    Apr, 2016

  • 从潜在到明晰：将知识图谱嵌入转化为可解释的结构

    本论文介绍了一种针对知识图嵌入模型的事后可解释人工智能方法，通过直接解码嵌入在知识图中的潜在表示，识别相似嵌入实体的子图邻域内的不同结构，并将这些见解转化为人类可理解的符号规则和事实，在知识图嵌入模型的抽象表示和预测输出之间构建了桥梁，提供清晰、可解释的见解。

    Jun, 2024

  • 可解释的嵌入式技术用于即时视频搜索

    通过集成特征嵌入和概念解释到神经网络中进行统一的双重任务学习，本论文实现了将嵌入与语义概念关联，作为视频内容解释的新方法，并在 TRECVid 基准数据集上证明了搜索结果的显著提升。

    Feb, 2024

  • 基于概念的视觉解释的无监督可解释基础提取

    本文提出了一种无监督的后期方法，通过查找解释稀疏的一个阈值转换表示的像素激活的特征空间旋转来提取可解释的基础，并在现有流行的 CNNs 上进行实验，证明了本方法提取可解释基础的有效性。此外，通过基础可解释性度量，将中间层表示转换为我们方法提取的基础，从而使中间层表示更具可解释性。最后，我们将提取的基础与监督方法提取的基础进行比较，并发现无监督方法具有优势，为未来的研究提供了潜在方向。

    Mar, 2023

  • 利用知识图谱嵌入空间上的语义查询探索学术数据

    本文介绍了使用知识图谱嵌入方法来分析其语义结构，从而支持数据探索和解决相关问题的框架和方法。通过这种方式，可以使用良好研究的词嵌入空间定义语义查询，以便在数据集中解决相似性和类比等任务，并支持传统学术数据探索任务及一些新的有趣任务的解决。

    Sep, 2019

  • 语义概念空间：使用词嵌入投影引导主题模型的改进

    提供了一个框架，允许用户在保持模型无关性的同时，将其领域知识的语义纳入主题模型的完善中。使用交互式视觉分析工作区支持用户完成语义空间的理解、潜在冲突和问题区域的识别以及基于对概念理解的重新调整，从而直接影响主题建模。通过操作与推荐交互相结合，目标完善旨在最小化高效的人机协同交互迭代过程所需的反馈次数，两项用户研究证实了该方法提高了主题模型质量。

    Aug, 2019

  • 知识图谱嵌入和可解释人工智能

    介绍了知识图谱嵌入的概念，生成和评估，总结了用于在向量空间中表示知识的方法，讨论了预测模型的解释性问题和解决方法。

    Apr, 2020