[論文レビュー] KGClean: An Embedding Powered Knowledge Graph Cleaning Framework

Congcong Ge, Yunjun Gao+4 more|arXiv (Cornell University)|Apr 26, 2020

Privacy-Preserving Technologies in Data参考文献 60被引用数 7

ひとこと要約

KGClean は、TransGAT を用いた知識グラフ埋め込みを活用して、知識グラフ内の欠落値および誤り値を検出・修復する知識グラフクリーニングフレームワークである。誤り検出にアクティブラーニングを組み合わせ、修復戦略として伝搬パワーに基づく手法を採用することで、多様なデータセットにおいて堅牢な性能を発揮し、特に複雑で多様性のある汚染データの処理においてベースラインを上回る性能を示す。

ABSTRACT

The quality assurance of the knowledge graph is a prerequisite for various knowledge-driven applications. We propose KGClean, a novel cleaning framework powered by knowledge graph embedding, to detect and repair the heterogeneous dirty data. In contrast to previous approaches that either focus on filling missing data or clean errors violated limited rules, KGClean enables (i) cleaning both missing data and other erroneous values, and (ii) mining potential rules automatically, which expands the coverage of error detecting. KGClean first learns data representations by TransGAT, an effective knowledge graph embedding model, which gathers the neighborhood information of each data and incorporates the interactions among data for casting data to continuous vector spaces with rich semantics. KGClean integrates an active learning-based classification model, which identifies errors with a small seed of labels. KGClean utilizes an efficient PRO-repair strategy to repair errors using a novel concept of propagation power. Extensive experiments on four typical knowledge graphs demonstrate the effectiveness of KGClean in practice.

研究の動機と目的

• 既存の知識グラフクリーニング手法が欠落データにのみ焦点を当てており、手動で定義されたルールに依存するという限界を是正すること。
• 包括的なルール設計を必要とせず、欠落値および誤った値を含む多様な汚染データをエンドツーエンドでクリーニング可能にする仕組みの構築。
• 知識グラフ埋め込みを活用し、意味的伝搬に基づいて誤りを検出し、修復を誘導するスケーラブルで自動化されたフレームワークの開発。
• グラフアテンションメカニズムを用いて高次元のネIGHBORHOOD表現を学習することで、クリーニングの信頼性と一般化性能を向上させること。

提案手法

• KGClean は、複数ホップの近傍情報を捉え、エンティティと関係の間の相互作用をグラフアテンション機構でモデル化する知識グラフ埋め込みモデルである TransGAT を採用している。
• 最小限の人手ラベル付きシードデータで動作するアクティブラーニングベースの分類モデル（AL-detect）を用いて、ノイズの多いトリプルを特定する。
• 誤ったトリプルの修復候補を意味的類似性および埋め込みの近接性に基づいてランク付けするための新規概念「伝搬パワー」を導入している。
• 誤り修復は、可能な修復候補の中から意味的に最も妥当なものを選択する PRO-repair 戦略によって実施される。
• 各修復候補の信頼性は、TransGAT のスコア関数を用いて算出され、信頼度の高い修正のみが適用される。
• 全体のパイプラインは、埋め込み学習、アクティブな誤り検出、伝搬駆動型修復を統合した包括的でスケーラブルなフレームワークとして構築されている。

実験結果

リサーチクエスチョン

• RQ1 事前に定義された品質ルールに依存せずに、知識グラフ埋め込みが欠落値および誤り値の両方を効果的に検出できるか。
• RQ2 伝搬パワーに基づく戦略が、知識グラフにおける誤り値の修復精度をどのように向上させるか。
• RQ3 アクティブラーニングは、知識グラフクリーニングにおいて大規模な人手ラベル付きデータの必要性をどの程度低減できるか。
• RQ4 埋め込みモデルの選択（例：TransGAT 対 KBGAT）が、クリーニングパイプライン全体の性能に与える影響は何か。
• RQ5 KGClean フレームワークは、知識グラフ構造における誤り率やスパarsity の変動に対してどの程度頑健か。

主な発見

• KGClean は、4つの実世界の知識グラフにおいて、欠落値および誤り値の両方の検出・修復において、ベースライン手法を顕著に上回る性能を発揮した。
• TransGAT を用いた KGClean は、より正確なスコア関数と意味情報のより良い保存を実現したため、KBGAT を用いたバージョンよりも高い F1 スコアを達成した。
• PRO-repair 戦略は高い信頼性を示し、誤検出率（FN）が 20% から 100% に上昇しても FN-精度が安定したため、誤分類された正常トリプルに対して耐性があることが示された。
• KGClean は誤り率の変動（10% から 50%）に対して感受性が低く、性能は主に埋め込みモデルの一般化能力に依存しており、テストセットの誤り分布とは無関係であった。
• スパースな WN18RR データセットでは、信頼性の低い近傍情報とインデグリが低いノードの影響で、埋め込み品質および伝搬パワー推定が劣化したため、性能がやや低下した。
• それでも KGClean は UMLS、Kinship、WN18 において強い性能を維持しており、多様な KG 構造およびスパarsity 水準に適応可能であることが示された。