知識グラフを活用することで、ニューラルネットワークの推論能力と解釈可能性を向上させ、シンボリックシステムの完全性と正確性を改善することができる。また、ニューラルネットワークとシンボリックシステムを統合することで、より賢明で信頼性の高いAIシステムを構築できる。
物理的な因果関係を知識グラフの予測タスクを用いて発見する新しいアプローチ CausalDisco を提案する。
知識グラフを用いて交通参加者、道路トポロジー、交通標識などの関係性を表現し、複数の注意機構を用いて正確な軌道予測を行う。
知識グラフの情報を活用することで、推薦の多様性を高めつつ、推薦精度も維持することができる。
知識グラフ(KG)は、実世界のエンティティや概念を表すノードと、それらの関係を表すエッジから構成される。KGの表現力の高さと柔軟性は多くのアプリケーションで活用されているが、データの疎さや計算の複雑さ、手動の特徴量エンジニアリングなどの課題がある。知識グラフ埋め込みは、エンティティと関係を低次元のベクトル空間に表現することで、これらの課題に取り組む。本稿では、翻訳ベースおよびニューラルネットワークベースの知識グラフ埋め込みモデルを概説し、さらにそれらの応用例について議論する。
本論文は、知識グラフ内のエンティティ分類タスクにおいて、意味的知識と構造的知識を統合的に活用する新しいフレームワークを提案する。
知識グラフ補完(KGC)モデルの予測を説明するために、重要な連結サブグラフパターンを特定し、それらのサブグラフの関連性を定量的に評価する。
限られた支援事例から、メタ関係情報を学習することで、ハイパー関係事実の欠落要素を正確に予測する。