From Latent to Lucid: Transforming Knowledge Graph Embeddings into Interpretable Structures

本文介绍了一种针对知识图谱嵌入模型的后续可解释AI方法。这些模型对于知识图谱完成至关重要，但因其不透明的黑盒特性而备受批评。尽管这些模型通过高维潜在表示成功捕捉了知识图谱的语义，但它们的内在复杂性对可解释性构成了重大挑战。与现有方法不同，我们的方法直接解码知识图嵌入模型编码的潜在表示，利用相似嵌入反映知识图谱内相似行为的原则。通过识别相似嵌入实体的子图邻域中的不同结构，我们的方法识别了模型依赖的统计规律，并将这些见解转化为人类可理解的符号规则和事实。这弥合了知识图嵌入模型的抽象表示和其预测输出之间的差距，提供了清晰、可解释的见解。主要贡献包括一种新颖的知识图嵌入模型的后续可解释AI方法，可提供即时、忠实的解释，无需重新训练，即可在大规模知识图谱上进行实时应用。该方法的灵活性使其能够生成基于规则、基于实例和基于类比的解释，满足不同用户的需求。广泛的评估表明，我们的方法在提供忠实和良好局部化的解释方面非常有效，增强了知识图嵌入模型的透明度和可信度。

解决知识图谱嵌入模型的不可解释性问题，提供一种后续可解释的AI方法。

利用相似嵌入反映知识图谱中相似行为的原则，直接解码嵌入表示，识别出相似嵌入实体的子图邻域中的不同结构，将这些结构翻译成人类可理解的符号规则和事实，从而提供清晰、可解释的洞察力。

该方法是一种后续可解释的AI方法，不需要重新训练，即可提供忠实的解释，即使在大规模知识图谱上也能实时应用。该方法的灵活性使其能够生成基于规则、实例和类比的解释，满足不同用户的需求。实验表明，该方法能够提供忠实且良好定位的解释，增强知识图谱嵌入模型的透明度和可信度。

最近的相关研究包括：1.《Knowledge Graph Embedding by Translating on Hyperplanes》；2.《Convolutional 2D Knowledge Graph Embeddings》；3.《Complex Embeddings for Simple Link Prediction》。