論文の概要: Improving Inductive Link Prediction Using Hyper-Relational Facts

• arxiv url: http://arxiv.org/abs/2107.04894v1
• Date: Sat, 10 Jul 2021 19:16:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 06:21:43.363978
• Title: Improving Inductive Link Prediction Using Hyper-Relational Facts
• Title（参考訳）: ハイパーリレーショナルファクトを用いたインダクティブリンク予測の改善
• Authors: Mehdi Ali, Max Berrendorf, Mikhail Galkin, Veronika Thost, Tengfei Ma, Volker Tresp, Jens Lehmann
• Abstract要約: グラフニューラルネットワークを用いた半帰納的および完全帰納的リンク予測タスクにおいて, ハイパーリレーショナルなKGを用いることの利点について検討する。 実験により, 入力エッジ上の等化器は, 絶対ゲインの6%の性能向上につながることが示された。
• 参考スコア（独自算出の注目度）: 15.820005235333882
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: For many years, link prediction on knowledge graphs (KGs) has been a purely transductive task, not allowing for reasoning on unseen entities. Recently, increasing efforts are put into exploring semi- and fully inductive scenarios, enabling inference over unseen and emerging entities. Still, all these approaches only consider triple-based \glspl{kg}, whereas their richer counterparts, hyper-relational KGs (e.g., Wikidata), have not yet been properly studied. In this work, we classify different inductive settings and study the benefits of employing hyper-relational KGs on a wide range of semi- and fully inductive link prediction tasks powered by recent advancements in graph neural networks. Our experiments on a novel set of benchmarks show that qualifiers over typed edges can lead to performance improvements of 6% of absolute gains (for the Hits@10 metric) compared to triple-only baselines. Our code is available at \url{https://github.com/mali-git/hyper_relational_ilp}.
• Abstract（参考訳）: 長年、知識グラフ(KG)上のリンク予測は純粋にトランスダクティブなタスクであり、目に見えないエンティティの推論を許さなかった。 近年,半帰納的シナリオと完全帰納的シナリオを探求する取り組みが活発化しており,未確認および新興エンティティに対する推論が可能になっている。 しかしながら、これらのアプローチはすべてトリプルベースの \glspl{kg} しか考慮していないが、よりリッチなKG(例えばWikidata)は十分に研究されていない。 本研究では,様々な帰納的設定を分類し,グラフニューラルネットワークの最近の進歩を生かした,幅広い半帰納的および完全帰納的リンク予測タスクにハイパーリレーショナルKGを用いることの利点について検討する。 新たなベンチマークによる実験結果から, 有意な利得の6%(hits@10メートル法の場合)は, 3値のみのベースラインに比べて性能が向上することが示された。 我々のコードは \url{https://github.com/mali-git/hyper_relational_ilp} で利用可能です。

関連論文リスト

• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
  Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T02:27:23Z)
• 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)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• Link Prediction with Non-Contrastive Learning [19.340519670329382]
  グラフ自己教師型学習(SSL)は、ラベル付きデータなしで有用なノード表現を導出することを目的としている。 多くの最先端グラフSSL法は、正と負のサンプルの組み合わせを用いた対照的な手法である。 近年の文献では非コントラスト法が導入されており、正のサンプルのみを用いている。
  論文  参考訳（メタデータ） (2022-11-25T22:30:15Z)
• 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)
• An Open Challenge for Inductive Link Prediction on Knowledge Graphs [0.7960322329952452]
  知識グラフ(KG)に対する表現学習の新たなトレンドは、帰納的リンク予測タスクを越えている。 関心が高まっているにもかかわらず、帰納的表現学習手法を評価するには十分なベンチマークがない。 我々は,KGインダクティブリンク予測の新しいオープンチャレンジであるILPC 2022を紹介する。
  論文  参考訳（メタデータ） (2022-03-03T05:24:09Z)
• Message Passing for Hyper-Relational Knowledge Graphs [7.733963597282456]
  本稿では,このようなハイパーリレーショナルな知識グラフをモデル化可能なメッセージパッシンググラフエンコーダであるStarEを提案する。 StarEは、任意の数の付加情報(修飾子)を主三重項と共に符号化し、修飾子と三重項の意味的役割をそのまま保持することができる。 実験により、StarEベースのLPモデルは、複数のベンチマークで既存のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-09-22T22:38:54Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  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。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。