Core Concepts
Wissensgrapheneinbettungen lernen Muster im Graphen ohne explizites Training.
Abstract
Abstract:
Wissensgrapheneinbettungen (KGEs) wurden entwickelt, um wahre, aber fehlende Fakten in unvollständigen Wissensdatenbanken zu erschließen.
Verbindung von Wissensgraphenabschluss und gegenfaktischem Denken durch die neue Aufgabe CFKGR.
Entwicklung von COULDD, einer Methode zur Anpassung von KGEs an gegenfaktische Informationen.
Evaluierung zeigt, dass KGEs Muster im Graphen lernen, ohne explizites Training.
COULDD verbessert die Erkennung plausibler gegenfaktischer Änderungen im Graphen.
Einführung:
Gegenfaktisches Denken ist zentral für die menschliche Kognition.
Interesse an der Bewertung und Verbesserung des gegenfaktischen Denkens von KI-Systemen.
Aufgabe CFKGR:
Modelle müssen die Gültigkeit von Fakten in hypothetischen Szenarien klassifizieren.
Modelle müssen plausible Änderungen im Graphen erkennen.
Datensatz CFKGR:
Benchmark-Datensätze für CFKGR basierend auf CoDEx KGC Benchmark.
Menschliche Annotation zur Validierung des Datengenerierungsprozesses.
COULDD Methode:
Allgemeine Methode zur Anpassung bestehender KGE-Methoden an gegenfaktische Informationen.
Verbesserung der Erkennung plausibler gegenfaktischer Änderungen im Graphen.
Experimente:
COULDD erzielt die besten Ergebnisse auf allen Datensätzen.
Verbesserte Leistung auf geänderten Fakten im Vergleich zu vorab trainierten Einbettungen.
ChatGPT übertrifft KGEs in der Erkennung plausibler gegenfaktischer Schlussfolgerungen.
Stats
Unsere Ergebnisse zeigen, dass KGEs Muster im Graphen lernen, ohne explizites Training.
COULDD verbessert die Erkennung plausibler gegenfaktischer Änderungen im Graphen.
Quotes
"Unsere Ergebnisse zeigen, dass KGEs Muster im Graphen lernen, ohne explizites Training."
"COULDD verbessert die Erkennung plausibler gegenfaktischer Änderungen im Graphen."