Découverte de règles causales dans les graphes de connaissances à l'aide de plongements dans les graphes
Résumé
Discovering causal relationships between different observations
is the goal of many experiments in science. When
observational data are available, the potential outcome framework
is a well-used framework for discovering such relationships.
In this paper, we place ourselves in this framework
to discover causal rules in Knowledge Graphs (KGs)
that express that differences in treatments lead to differences
in a studied characteristic. However, quantifying the
similarity between individuals represented in a knowledge
graph is challenging, especially because their descriptions
can be incomplete and erroneous. We propose a new approach
based on knowledge graph embeddings to discover
causal rules in KGs. The experiments that we conducted
on two KGs, including a scientific knowledge graph, showed
that our approach is able to discover rules that explain
much more differences in the studied characteristic
than existing state of the art approaches.
La découverte de relations causales est l'objectif de nombreuses expériences. Lorsque des données observationnelles sont disponibles, l'utilisation du cadre d'étude des résultats potentiels est un des standards pour découvrir de telles relations. Dans cet article, nous nous plaçons dans ce cadre afin de découvrir des règles causales au sein de graphes de connaissances (KGs). Ces règles expriment que des différences de traitements conduisent à des différences de valeur pour une caractéristique étudiée. Cependant, ce cadre repose sur la similarité entre instances, et sa quantification dans un KG n'est pas triviale, notamment parce que leurs descriptions peuvent être incomplètes et erronées. Nous proposons une nouvelle méthode de découverte de règles causales qui exploite un appariement basé sur les plongements de graphes de connaissances. Les expérimentations menées sur deux KG de domaines différents ont montré la capacité de notre approche à découvrir des règles qui expliquent plus de différences dans la caractéristique étudiée que les approches existantes, et qui est plus robuste en cas d'information incomplète.
Origine : Fichiers éditeurs autorisés sur une archive ouverte