ترجمه فارسی مقاله پاسخ کنفورمالاسیون پیش بینی برای تعبیه نمودار دانش

چکیده

Knowledge graph embeddings (KGE) apply machine learning methods on knowledge graphs (KGs) to provide non-classical reasoning capabilities based on similarities and analogies. The learned KG embeddings are typically used to answer queries by ranking all potential answers, but rankings often lack a meaningful probabilistic interpretation – lower-ranked answers do not necessarily have a lower probability of being true. This limitation makes it difficult to distinguish plausible from implausible answers, posing challenges for the application of KGE methods in high-stakes domains like medicine. We address this issue by applying the theory of conformal prediction that allows generating answer sets, which contain the correct answer with probabilistic guarantees. We explain how conformal prediction can be used to generate such answer sets for link prediction tasks. Our empirical evaluation on four benchmark datasets using six representative KGE methods validates that the generated answer sets satisfy the probabilistic guarantees given by the theory of conformal prediction. We also demonstrate that the generated answer sets often have a sensible size and that the size adapts well with respect to the difficulty of the query.

چکیده به فارسی (ترجمه ماشینی)

تعبیه نمودار دانش (KGE) روشهای یادگیری ماشین را در نمودارهای دانش (KGS) اعمال می کند تا قابلیت های استدلال غیر کلاسیک را بر اساس شباهت ها و قیاس ها ارائه دهد.تعبیه KG آموخته به طور معمول برای پاسخ دادن به نمایش داده ها با رتبه بندی تمام پاسخ های بالقوه استفاده می شود ، اما رتبه بندی ها اغلب فاقد یک تفسیر احتمالی معنی دار هستند – پاسخ های دارای رتبه پایین لزوماً احتمال واقعی بودن را ندارند.این محدودیت ، تمایز قابل قبول از پاسخ های غیرممکن را دشوار می کند و چالش هایی را برای استفاده از روش های KGE در حوزه های پر سر و صدا مانند پزشکی ایجاد می کند.ما با استفاده از تئوری پیش بینی کنفورماسی که امکان تولید مجموعه های پاسخ را فراهم می کند ، به این مسئله می پردازیم ، که حاوی پاسخ صحیح با ضمانت های احتمالی است.ما توضیح می دهیم که چگونه می توان از پیش بینی کنفورماسی برای تولید چنین مجموعه ای از پاسخ ها برای کارهای پیش بینی پیوند استفاده کرد.ارزیابی تجربی ما در چهار مجموعه داده معیار با استفاده از شش روش نماینده KGE تأیید می کند که پاسخ های تولید شده ، ضمانت های احتمالی داده شده توسط تئوری پیش بینی سازگار را برآورده می کنند.ما همچنین نشان می دهیم که مجموعه های پاسخ تولید شده اغلب دارای اندازه معقول هستند و اندازه آن با توجه به دشواری پرس و جو به خوبی سازگار است.