論文の概要: Communicative Message Passing for Inductive Relation Reasoning
- arxiv url: http://arxiv.org/abs/2012.08911v1
- Date: Wed, 16 Dec 2020 12:42:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-05-03 03:00:34.101137
- Title: Communicative Message Passing for Inductive Relation Reasoning
- Title（参考訳）: 帰納的関係推論のためのコミュニケーションメッセージパッシング
- Authors: Sijie Mai, Shuangjia Zheng, Yuedong Yang, Haifeng Hu
- Abstract要約: textbfCtextbfommunicative textbfMessage textbfPassing neural Network for textbfInductive retextbfLation rtextbfEasoning textbfCoMPILEを紹介します。
既存のモデルとは対照的に、CoMPILEは通信カーネルを介してエッジとタイトル間のメッセージインタラクションを強化する。
- 参考スコア（独自算出の注目度）: 17.380798747650783
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Relation prediction for knowledge graphs aims at predicting missing
relationships between entities. Despite the importance of inductive relation
prediction, most previous works are limited to a transductive setting and
cannot process previously unseen entities. The recent proposed subgraph-based
relation reasoning models provided alternatives to predict links from the
subgraph structure surrounding a candidate triplet inductively. However, we
observe that these methods often neglect the directed nature of the extracted
subgraph and weaken the role of relation information in the subgraph modeling.
As a result, they fail to effectively handle the asymmetric/anti-symmetric
triplets and produce insufficient embeddings for the target triplets. To this
end, we introduce a \textbf{C}\textbf{o}mmunicative \textbf{M}essage
\textbf{P}assing neural network for \textbf{I}nductive re\textbf{L}ation
r\textbf{E}asoning, \textbf{CoMPILE}, that reasons over local directed subgraph
structures and has a vigorous inductive bias to process entity-independent
semantic relations. In contrast to existing models, CoMPILE strengthens the
message interactions between edges and entitles through a communicative kernel
and enables a sufficient flow of relation information. Moreover, we demonstrate
that CoMPILE can naturally handle asymmetric/anti-symmetric relations without
the need for explosively increasing the number of model parameters by
extracting the directed enclosing subgraphs. Extensive experiments show
substantial performance gains in comparison to state-of-the-art methods on
commonly used benchmark datasets with variant inductive settings.
- Abstract（参考訳）: 知識グラフの関連性予測は、エンティティ間の欠落関係を予測することを目的としている。
帰納的関係予測の重要性にもかかわらず、以前の作品のほとんどはトランスダクティブな設定に限られており、以前は目に見えない実体を処理できない。
最近提案された部分グラフに基づく関係推論モデルは、候補トリプレットをインダクティブに囲む部分グラフ構造からリンクを予測する代替手段を提供した。
しかし,これらの手法は,抽出した部分グラフの有向性を無視し,部分グラフモデリングにおける関係情報の役割を弱めることが多い。
その結果、非対称/反対称三重項を効果的に扱うことができず、標的三重項への埋め込みが不十分である。
この目的のために、局所的な有向部分グラフ構造に起因し、エンティティに依存しない意味関係を処理するために活発な帰納的バイアスを持つ、 \textbf{C}\textbf{o}mmunicative \textbf{M}essage \textbf{P}assing Neural Network for \textbf{I}nductive re\textbf{L}ation r\textbf{E}asoning, \textbf{CoMPILE} を導入する。
既存のモデルとは対照的に、CoMPILEは通信カーネルを介してエッジとタイトル間のメッセージインタラクションを強化し、関係情報の十分なフローを可能にする。
さらに,非対称/反対称関係を自然に処理できることを示すため,有向包含部分グラフを抽出し,モデルパラメータ数を爆発的に増加させる必要がなくなる。
広範囲な実験により、変種インダクティブ設定で一般的に使用されるベンチマークデータセットの最先端メソッドと比較して、実質的なパフォーマンス向上を示す。
関連論文リスト
- BiasConnect: Investigating Bias Interactions in Text-to-Image Models [73.76853483463836]
テキスト・ツー・イメージ・モデルにおけるバイアス相互作用の分析と定量化を目的とした新しいツールであるBiasConnectを紹介する。
我々の手法は、与えられたバイアスが修正されたとき、他のバイアス次元が理想的な分布に向かって、あるいは離れてどのように変化するかを示す経験的推定を提供する。
本稿では,最適なバイアス緩和軸の選択,学習する依存関係の異なるTTIモデルの比較,およびTTIモデルにおける交叉社会的バイアスの増幅を理解するためのBiasConnectの有用性を示す。
論文 参考訳（メタデータ） (2025-03-12T19:01:41Z) - Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。
この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文 参考訳（メタデータ） (2024-02-13T14:13:17Z) - Entity or Relation Embeddings? An Analysis of Encoding Strategies for Relation Extraction [19.019881161010474]
関係抽出は、本質的にはテキスト分類問題であり、事前学習言語モデル(LM)を微調整することで取り組める。
既存のアプローチでは、LMを微調整して頭と尾のエンティティの埋め込みを学習し、それらのエンティティの埋め込みから関係を予測する。
本稿では,より直接的な方法で関係を捉えることにより,関係抽出モデルを改善することができるという仮説を立てる。
論文 参考訳（メタデータ） (2023-12-18T09:58:19Z) - Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。
本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。
RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文 参考訳（メタデータ） (2023-09-20T08:11:58Z) - 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) - Message Intercommunication for Inductive Relation Reasoning [49.731293143079455]
我々はMINESと呼ばれる新しい帰納的関係推論モデルを開発した。
隣り合う部分グラフにメッセージ通信機構を導入する。
我々の実験は、MINESが既存の最先端モデルより優れていることを示している。
論文 参考訳（メタデータ） (2023-05-23T13:51:46Z) - Relation-dependent Contrastive Learning with Cluster Sampling for
Inductive Relation Prediction [30.404149577013595]
帰納的関係予測のための関係依存型コントラスト学習(ReCoLe)を導入する。
GNNベースのエンコーダはコントラスト学習によって最適化され、ロングテール関係における良好な性能が保証される。
実験結果から、ReCoLeは一般的に使用される帰納的データセット上で最先端の手法より優れていることが示唆された。
論文 参考訳（メタデータ） (2022-11-22T13:30:49Z) - Relational Message Passing for Fully Inductive Knowledge Graph
Completion [37.29833710603933]
知識グラフ補完(KGC)では、KG埋め込みが学習されると見つからない新しい実体や関係を含む三重項を予測することが重要な課題となっている。
メッセージパッシングによるサブグラフ推論は、有望で人気のあるソリューションである。
そこで本研究では,新しいメッセージパッシングネットワークを用いたRMPIという手法を提案する。
論文 参考訳（メタデータ） (2022-10-08T10:35:52Z) - SAIS: Supervising and Augmenting Intermediate Steps for Document-Level
Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。
そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文 参考訳（メタデータ） (2021-09-24T17:37:35Z) - Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。
各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。
実験結果は,提案手法の有効性と有用性を検証した。
論文 参考訳（メタデータ） (2021-04-21T09:06:54Z)
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。