Jan, 2024

基于路径的知识图谱补全解释

PDF
TL;DRGNNs 在知识图谱完成领域取得了巨大成功，但预测结果的解释并没有得到足够的关注。本研究提出了 Power-Link 方法，基于路径的 KG 解释器，在 GNN-based 模型中探索路径解释，并引入新的度量方法进行定量和定性评估，实验证明 Power-Link 在解释性、效率和可扩展性方面优于基线模型。
graph neural networksknowledge graph completionexplanationpath-based explanationspower-link
发现论文，激发创造
  • KGExplainer：面向知识图谱补全的连接子图解释探索

    知识图谱补全（KGC）通过建立知识图谱嵌入（KGE）模型、探索连接子图解释方法和评估器等手段，有效改善知识图谱的不完整性问题，并在人类评估中取得了 83.3% 的最优比例。

    Apr, 2024

  • 自解释图神经网络用于链路预测

    本文提出一种自我可解释的 GNN 框架，可以同时给出精确的预测和解释，通过找到一个节点的各种 $k$ 个重要邻居，为该节点到其他节点的链接学习对特定的表示，从而得出解释。

    May, 2023

  • 可解释推理知识图谱推荐

    本文提出了利用知识图谱的路径循环神经网络模型（Knowledge-aware Path Recurrent Network），该模型可以通过组合实体和关系的语义生成路径表示，并利用路径内的序列依赖关系有效地推理用户 - 物品交互的基本原因。通过设计一种新的加权汇集操作，区分连接用户和物品的不同路径的强度，为模型赋予一定水平的可解释性。该模型在电影和音乐的两个数据集上进行了广泛的实验，显示出比现有的解决方案 Collaborative Knowledge Base Embedding 和 Neural Factorization Machine 更显著的改进效果。

    Nov, 2018

  • 利用节点邻域改进知识图谱完成

    本文提出了一种通过图神经网络对实体邻域进行建模的增强型框架用于知识图谱补全，同时引入额外的边链接预测任务。评估结果表明，该框架简单且有效，并且能够做出可解释预测。

    Feb, 2023

  • 通过相关路径解释图神经网络的高阶行为

    本研究展示了一种新颖的解释方法 GNN-LRP，通过高阶扩展和嵌套属性方案来提取与预测相关的输入图形的漫游集合，可为图神经网络和情感分析等提供实用洞见。

    Jun, 2020

  • 学习适应性传播以进行知识图谱推理

    本文介绍了基于图神经网络和知识图谱的学习方法，探讨了路径传播中关键因素，并提出了一种自适应的传播路径方法，通过过滤不相关的实体同时保留有前途的目标，实现了更深层次的信息抓取，最终获得了在归纳推理中领先的效果。

    May, 2022

  • 路径神经网络：表现力强且准确的图神经网络

    本文引入 Path Neural Network 模型来提高图表达的表达能力，实验证明该模型比 1-WL 算法更加强大，且在图分类和图回归任务中表现良好。

    Jun, 2023

  • KS-GNNExplainer：基于组织病理图像的全局模型解释与实例说明

    我们开发了 KS-GNNExplainer，这是第一个利用现有实例级方法以有效方式提供更具信息和可靠的可解释输出的实例级图神经网络解释器，从而使得基于图形的组织病理学图像分析可以显著受益。我们的实验表明，该解释器能够成为全局模式提取器，从而克服了当前实例级方法在该领域中的基本局限性。

    Apr, 2023

  • 探索与利用高阶图结构用于稀疏知识图谱补全

    为应对稀疏知识图谱中存在的问题，提出一种新颖的框架 LR-GCN，在 GNN 预测器和推理路径提取器的共同作用下，使用变分 EM 算法能够自动捕捉实体之间的长程依赖性，从而提高知识图谱完成的效率。

    Jun, 2023

  • 图神经网络的可参数化解释器

    本研究提出 PGExplainer 方法解决了图神经网络在全局理解及归纳场景下解释预测的问题。PGExplainer 使用神经网络参数化解释生成过程，支持对多个实例进行自然的解释，并提高了解释的泛化能力。实验结果在合成和实际数据集上表现出高度竞争性。

    Nov, 2020