Fugu-MT 論文翻訳(概要): Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction

論文の概要: Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction

arxiv url: http://arxiv.org/abs/2006.06648v3
Date: Thu, 29 Oct 2020 10:03:57 GMT
ステータス: 処理完了
システム内更新日: 2022-11-22 12:41:10.212130
Title: Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction
Title（参考訳）: 知識を外挿する学習:グラフ外リンク予測のトランスダクティブ・ショット
Authors: Jinheon Baek, Dong Bok Lee, Sung Ju Hwang
Abstract要約: 数発のアウトオブグラフリンク予測という現実的な問題を導入する。我々は,新しいメタ学習フレームワークによってこの問題に対処する。我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
参考スコア（独自算出の注目度）: 69.1473775184952
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Many practical graph problems, such as knowledge graph construction and drug-drug interaction prediction, require to handle multi-relational graphs. However, handling real-world multi-relational graphs with Graph Neural Networks (GNNs) is often challenging due to their evolving nature, as new entities (nodes) can emerge over time. Moreover, newly emerged entities often have few links, which makes the learning even more difficult. Motivated by this challenge, we introduce a realistic problem of few-shot out-of-graph link prediction, where we not only predict the links between the seen and unseen nodes as in a conventional out-of-knowledge link prediction task but also between the unseen nodes, with only few edges per node. We tackle this problem with a novel transductive meta-learning framework which we refer to as Graph Extrapolation Networks (GEN). GEN meta-learns both the node embedding network for inductive inference (seen-to-unseen) and the link prediction network for transductive inference (unseen-to-unseen). For transductive link prediction, we further propose a stochastic embedding layer to model uncertainty in the link prediction between unseen entities. We validate our model on multiple benchmark datasets for knowledge graph completion and drug-drug interaction prediction. The results show that our model significantly outperforms relevant baselines for out-of-graph link prediction tasks.
Abstract（参考訳）: 知識グラフ構築や薬物と薬物の相互作用予測などの実用的なグラフ問題は、多関係グラフを扱う必要がある。しかし、グラフニューラルネットワーク(GNN)による実世界のマルチリレーショナルグラフの扱いは、新しいエンティティ(ノード)が時間とともに現れるため、進化する性質のため、しばしば困難である。さらに、新しく現れたエンティティにはリンクがほとんどないことが多く、学習がさらに困難になる。この課題に動機づけられたのが, グラフ外リンク予測の現実的問題であり, 観測ノードと未認識ノード間のリンクを, 従来の知識外リンク予測タスクのように予測するだけでなく, ノード毎のエッジ数がわずかである未認識ノード間も予測する。本稿では,グラフ補間ネットワーク(GEN)と呼ばれる新しいメタ学習フレームワークを用いて,この問題に対処する。 genメタは、インダクティブ推論のためのノード埋め込みネットワーク(見当たらない)と、トランスダクティブ推論のためのリンク予測ネットワーク(見当たらない)の両方を学習する。トランスダクティブリンク予測のために,我々はさらに,未知のエンティティ間のリンク予測の不確かさをモデル化する確率的埋め込み層を提案する。ナレッジグラフの完成と薬物と薬物の相互作用予測のために,複数のベンチマークデータセットでモデルを検証する。その結果,本モデルはグラフ外リンク予測タスクのベースラインを有意に上回っていることがわかった。

関連論文リスト

Inductive Link Prediction in Knowledge Graphs using Path-based Neural Networks [1.3735277588793995]
SiaILPは、シアムニューラルネットワークを用いたインダクティブリンク予測のためのパスベースモデルである。 WN18RR, FB15k-237, Nell995 のインダクティブバージョンを用いて, リンク予測タスクにおいて, 新たな最先端性能を実現する。
論文参考訳（メタデータ） (2023-12-16T02:26:09Z)
Disentangling Node Attributes from Graph Topology for Improved Generalizability in Link Prediction [5.651457382936249]
提案手法であるUPNAは,一対のノード属性を学習し,エッジの確率を予測することによって,帰納的リンク予測問題を解く。 UPNAは、様々なペアワイズ学習タスクに適用でき、既存のリンク予測モデルと統合して、一般化可能性とグラフ生成モデルを強化することができる。
論文参考訳（メタデータ） (2023-07-17T22:19:12Z)
Towards Few-shot Inductive Link Prediction on Knowledge Graphs: A Relational Anonymous Walk-guided Neural Process Approach [49.00753238429618]
知識グラフ上のインダクティブリンク予測は,少数ショットリンクを観測した未確認エンティティのリンク不足を予測することを目的としている。近年の帰納的手法は、目に見えない実体を取り巻く部分グラフを用いて意味情報を取得し、リンクを誘導的に予測する。本稿では,知識グラフ上の数ショットの帰納的リンク予測をRawNPと表記する,新しいリレーショナル匿名型歩行誘導ニューラルネットワークを提案する。
論文参考訳（メタデータ） (2023-06-26T12:02:32Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文参考訳（メタデータ） (2023-02-27T22:56:06Z)
Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文参考訳（メタデータ） (2022-12-31T10:07:19Z)
FakeEdge: Alleviate Dataset Shift in Link Prediction [16.161812856581676]
リンク予測タスクでは、テストセット内のリンクがまだ形成されていない間に、トレーニングセット内のリンクが常に存在し、接続パターンの相違と学習された表現のバイアスが発生する。本研究では,学習セットとテストセット間のグラフトポロジ的ギャップを緩和し,モデルに依存しないFakeEdgeを提案する。
論文参考訳（メタデータ） (2022-11-29T03:36:01Z)
Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文参考訳（メタデータ） (2022-05-15T11:38:14Z)
How Neural Processes Improve Graph Link Prediction [35.652234989200956]
リンク予測のためのグラフニューラルネットワークを用いたメタラーニング手法:グラフニューラルネットワークのためのニューラルプロセス(NPGNN)を提案する。 NPGNNは、トランスダクティブな学習タスクとインダクティブな学習タスクの両方を実行し、小さなサブグラフでトレーニングした後、大きな新しいグラフのパターンに適応することができる。
論文参考訳（メタデータ） (2021-09-30T07:35:13Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。