確率的ケースベース推論を用いたオープンワールド知識グラフ補完

ケースベース推論（Case-Based Reasoning, CBR）システムは、与えられた問題と類似した「ケース」を検索することで、新しい問題を解決する。このようなシステムが高精度を達成できる場合、そのシンプルさ、解釈可能性、およびスケーラビリティの観点から非常に魅力的である。本論文では、知識ベース（Knowledge Base, KB）における推論において、このようなシステムが実現可能であることを示す。我々のアプローチは、与えられたエンティティに関連する類似エンティティから推論経路を収集し、そのエンティティの属性を予測する。確率モデルにより、特定の経路が与えられたエンティティに関するクエリに効果的に答える可能性を推定する。モデルのパラメータは、単純な経路統計量を用いて効率的に計算可能であり、反復的最適化を必要としない。本モデルは非パラメトリックであり、KBに新しいエンティティや関係が追加されるたびに動的に拡張される。複数のベンチマークデータセットにおける実験結果から、本手法は他のルール学習アプローチを著しく上回り、最先端の埋め込みベース（embedding-based）手法と同等の性能を発揮することが確認された。さらに、新しいエンティティがオンラインで順次到着する「オープンワールド」環境においても、本モデルの有効性を実証した。この設定においても、最先端の手法を大きく上回り、最良のオフライン手法にほぼ匹敵する性能を達成した。コードは以下のURLで公開されている：https://github.com/ameyagodbole/Prob-CBR