KGEx：通过子图采样与知识蒸馏解释知识图谱嵌入
人工智能
2023-10-03 v1
摘要
尽管知识图谱嵌入（KGE）是知识图谱上链接预测的首选方案，但关于其可解释性的研究相对较少。我们提出 KGEx，一种新颖的事后解释方法，通过借鉴代理模型研究的思路来解释单个链接预测。给定待预测的目标三元组，KGEx 训练代理 KGE 模型，用于识别重要的训练三元组。为衡量某个训练三元组的影响，我们对目标三元组的邻域进行随机采样，并在每个采样上训练多个代理 KGE 模型。为保证忠实性，每个代理模型均通过从原始 KGE 模型蒸馏知识来训练。随后我们评估这些代理对所给目标三元组预测的准确程度，其直觉在于：那些能做出忠实预测的代理必然在具有影响力的邻域样本上训练过。在此假设下，我们提取在具有影响力的邻域中频繁出现的那些三元组。我们在两个公开数据集上进行了大量实验，证明 KGEx 能够提供忠实于黑盒模型的解释。
引用
@article{arxiv.2310.01065,
title = {KGEx: Explaining Knowledge Graph Embeddings via Subgraph Sampling and Knowledge Distillation},
author = {Vasileios Baltatzis and Luca Costabello},
journal= {arXiv preprint arXiv:2310.01065},
year = {2023}
}