Découverte de règles causales dans les graphes de connaissances à l'aide de plongements dans les graphes - Laboratoire Interdisciplinaire des Sciences du Numérique Access content directly
Conference Papers Year : 2022

Découverte de règles causales dans les graphes de connaissances à l'aide de plongements dans les graphes

Abstract

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.
Fichier principal
Vignette du fichier
Simonne_Pernelle_2022.pdf (599.83 Ko) Télécharger le fichier
Origin : Publisher files allowed on an open archive

Dates and versions

hal-03820025 , version 1 (18-10-2022)

Identifiers

  • HAL Id : hal-03820025 , version 1

Cite

L Simonne, N Pernelle, F Saïs, Rallou Thomopoulos. Découverte de règles causales dans les graphes de connaissances à l'aide de plongements dans les graphes. IC 2022 : 33èmes Journées francophones d'Ingénierie des Connaissances, Jun 2022, Saint-Etienne, France. ⟨hal-03820025⟩
68 View
62 Download

Share

Gmail Facebook X LinkedIn More