L3S Bestes Paper des Quartals (Q2/2024)
Kategorie: Wissensgraphen und Kausalmodelle
CauseKG: Ein Rahmenwerk zur Verbesserung der kausalen Inferenz mit implizitem Wissen aus Wissensgraphen
Autoren: Hao Huang, Maria-Esther Vidal
Veröffentlicht in IEEE Access 12: 61810-61827 (2024)
https://ieeexplore.ieee.org/document/10510291
Das Papier in Kürze:
In diesem Beitrag wird CauseKG vorgestellt, ein Rahmenwerk für das Stellen und Beantworten kausaler Fragen unter Verwendung von Wissensgraphen (KGs).
CauseKG kann zum Beispiel verwendet werden, um Fragen wie die folgenden zu beantworten:
(1) Wie stark beeinflusst das Prestige die Akzeptanz einer Arbeit?
(2) In welchem Ausmaß verursacht Rauchen Lungenkrebs?
KGs store data in a semi-structured graph format and represent the meaning of the data in a machine-understandable way. CauseKG uses both the data and its meaning in KGs to answer causal questions more accurately.
Welches Problem lösen Sie mit Ihrer Forschung?
Diese Arbeit löst das Problem der genauen Schätzung kausaler Effekte (d.h. der Beantwortung kausaler Fragen) aus Daten.
Welche potenziellen Auswirkungen haben Ihre Ergebnisse?
Unsere Ergebnisse zeigen, dass CauseKG die Entscheidungsfindung in verschiedenen Bereichen, wie dem Gesundheitswesen, den Sozialwissenschaften und der Wirtschaft, verbessern kann.
Zum Beispiel kann es Patienten helfen, wirksamere Behandlungen zu wählen; es kann Geschäftsmanagern helfen, die Auswirkungen einer Marketingstrategie auf den Umsatz zu verstehen.
Was ist das Neue an Ihrer Forschung?
CauseKG ist ein neuartiger Rahmen, der die Semantik der Daten berücksichtigt und die aus KG abgeleiteten impliziten Fakten nutzt, um die Schätzung kausaler Effekte zu verbessern.
Bestehende Methoden vernachlässigen oft diese impliziten Fakten, was zu falschen kausalen Schlussfolgerungen führen kann.
Link zum Paper:
Huang, H. und Vidal, M.E., 2024. CauseKG: A Framework Enhancing Causal Inference With Implicit Knowledge Deduced From Knowledge Graphs. IEEE Access.
