[論文レビュー] A Simple Approach to Case-Based Reasoning in Knowledge Bases

Rajarshi Das, Ameya Godbole+3 more|arXiv (Cornell University)|Jun 25, 2020

Advanced Graph Neural Networks被引用数 11

ひとこと要約

この論文は、知識グラフにおける非パラメトリックで学習不要のケースベース推論手法を提案しており、類似するエンティティを検索し、それらの推論パスを再利用することでクエリに回答する。k近傍エンティティから得られる複数のパスパターンを活用することで、NELL-995およびFB-122で最先端の性能を達成し、パラメトリックモデルやメタラーニングモデルを上回る。特に低データ設定において顕著な優位性を示す。

ABSTRACT

We present a surprisingly simple yet accurate approach to reasoning in knowledge graphs (KGs) that requires \emph{no training}, and is reminiscent of case-based reasoning in classical artificial intelligence (AI). Consider the task of finding a target entity given a source entity and a binary relation. Our non-parametric approach derives crisp logical rules for each query by finding multiple extit{graph path patterns} that connect similar source entities through the given relation. Using our method, we obtain new state-of-the-art accuracy, outperforming all previous models, on NELL-995 and FB-122. We also demonstrate that our model is robust in low data settings, outperforming recently proposed meta-learning approaches

研究の動機と目的

• モデル学習を必要としないシンプルな非パラメトリックな知識グラフ推論手法の開発。
• 類似エンティティからの推論パターンの再利用によって、知識グラフ補完におけるゼロショットおよび低データ一般化性能の向上。
• 高コストな計算と低データ環境下での一般化性能の低さといったパラメトリックモデルの限界の克服。
• グラフ内の観察されたパスから明確な論理規則を抽出することで、頑健で解釈可能な推論の実現。
• 類似エンティティからの記号的でパスベースの推論が、複雑なニューラルモデルやメタラーニングモデルを上回ることの実証。

提案手法

• クエリエンティティと類似するエンティティを、共有関係に基づいてk個検索する。類似度測定にはシンプルな内積法を用いる。
• 各検索されたエンティティについて、クエリ関係を通じてターゲットエンティティへ至る推論パスを同定する。
• その後、クエリエンティティから同じようなパスパターンが存在するかを確認し、そのパターンを適用して答えを推論する。
• 複数の候補となる答えは、支援する推論パスの数によってランク付けされ、整合性の高いパスが優先される。
• この手法は非パラメトリックであり、モデル重みに規則を格納しない。代わりに、KG構造から動的に規則を抽出する。
• フレームワークはモジュラーであり、類似度またはパスマッチングにニューラルモデルを統合可能だが、デフォルトでは記号的メソッドを採用する。

実験結果

リサーチクエスチョン

• RQ1 ケースベース推論に基づく非パラメトリックで学習不要の手法が、知識グラフ推論においてパラメトリックモデルを上回ることができるか？
• RQ2 k近傍エンティティからのパスパターン再利用は、低データおよびゼロショット設定においてどの程度有効か？
• RQ3 シンプルな記号的パスマッチングが、複雑なニューラルモデルやメタラーニングモデルを上回ることができるか？
• RQ4 類似エンティティから規則を導出することで、エンドツーエンドのパrameterized学習に比べて、頑健性と正確性が向上するか？
• RQ5 ケースベース推論アプローチは、多様な知識グラフ構造や関係にどの程度一般化可能か？

主な発見

• 提案手法はNELL-995ベンチマークで最先端の性能を達成し、最近のメタラーニングおよびニューラルアプローチを含む、すべての先行モデルを上回った。
• FB-122データセットでは、新たな最先端結果を達成し、優れた一般化性能と頑健性を示した。
• 低データ環境下で、メタラーニングベースラインを顕著に上回ったことから、データ効率の高さが裏付けられた。
• 学習を一切行わず、KG内の構造的パターンと類似度マッチングに依存することで、高い正確性を達成した。
• 類似エンティティからの複数のパスパターンの活用により、単一パスやパラメトリックモデルに比べ、より信頼性が高く整合性の高い予測が得られた。
• フレームワークは非常に柔軟で、類似度またはパスマッチングにニューラルコンponentを統合することで拡張可能だが、記号的メソッドのみでも強力な結果が得られた。