Jun, 2024

从潜在到明晰：将知识图谱嵌入转化为可解释的结构

PDF
TL;DR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。
knowledge graph embedding modelsexplainable ailatent representationssubgraph neighborhoodsinterpretable insights
发现论文，激发创造
  • 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

  • 从词嵌入解释知识图谱关系表达

    研究利用词嵌入的理论，将知识图谱关系分为三种类型，并为每种类型导出其表示法的明确要求，以了解知识图谱数据的潜在结构如何被不同表达方法所捕捉。

    Sep, 2019

  • 嵌入式技术中可解释透明的偏差控制

    使用可解释和透明的方法来控制知识图谱嵌入中的偏见，以评估和减少受保护信息的隐含存在。

    Oct, 2023

  • 知识图谱中关系预测的可解释表示

    该研究提出了一种基于语义相关性子图学习的可解释性表示方法 SEEK，能够提高知识图谱关系预测的性能和解释性。研究评估了 SEEK 在复杂关系预测任务上的表现，并表明了其优于标准学习表示方法。

    Jun, 2023

  • 用于可解释图像问题回答的内在子图生成

    这篇论文引入了一种可解释的基于图的 VQA 方法，并在 GQA 数据集上展示了竞争性的性能，通过在问答过程中生成一个子图作为解释来提供决策过程的洞察力。

    Mar, 2024

  • 扩展解释：无监督且内在可解释的图嵌入

    我们研究了图表示学习，并展示了可以学习和使用保留语义的数据增强来产生解释性，名为 INGENIOUS 的框架，它创造出固有的可解释性嵌入并消除了昂贵的事后分析所需。我们还引入了额外的度量衡解决了无监督表示学习解释性这一研究领域中缺乏形式化和度量的问题。实验结果支持了我们的结果，应用于图级别和节点级别任务，展示了可解释性嵌入在随后的下游任务上提供了最先进的性能。

    Sep, 2023

  • 基于结构增强的文本表示学习用于高效的知识图谱补全

    本研究旨在整合知识图谱的图嵌入和文本编码技术，以提高自动完成知识图谱的性能，实现更精确的链接预测和结构学习。实验结果表明，该方法能实现与文本编码方法相比 1-2 个数量级的推理成本减少和最先进的性能表现。

    Apr, 2020

  • 可解释知识图谱嵌入：支持机器人行动推理的知识推理协调

    该研究使用决策树分类器解释学习的黑盒知识图谱表示，提供自然语言解释以帮助非专家解决机器人行为问题，结果表明该框架提供了对知识图谱对机器人决策的影响的解释和校正。

    May, 2022

  • 神经变分推理用于知识图嵌入的不确定性估计

    该论文介绍了一种高度可扩展的概率框架，利用神经变分推理构建条件推理网络，针对知识图谱中实体和关系类型的符号表示提供变分分布。通过该框架构建了两个模型，即 Latent Information 和 Latent Fact 模型，这些模型在特定条件下改进了基线性能。

    Jun, 2019

  • 可解释的时间知识图谱推理用于未来链接预测

    提出了一种基于关系注意力机制和反向表示更新策略的时间动态知识图谱链接预测框架，构建查询相关子图来预测图结构中未来的连接情况，具有更好的解释性和推荐准确率。

    Dec, 2020