論文の概要: Knowledge Graph Reasoning with Relational Directed Graph

• arxiv url: http://arxiv.org/abs/2108.06040v1
• Date: Fri, 13 Aug 2021 03:27:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-16 20:15:56.350482
• Title: Knowledge Graph Reasoning with Relational Directed Graph
• Title（参考訳）: 関係有向グラフを用いた知識グラフ推論
• Authors: Yongqi Zhang and Quanming Yao
• Abstract要約: 文学における関係経路に基づく手法は、強く、解釈可能で、帰納的推論能力を示す。 重なり合う関係経路からなる関係有向グラフ(r-digraph)を新たに導入する。 本稿では,グラフニューラルネットワークの変種であるRED-GNNを提案し,GNNの変種を用いてRelational Digraphを学習する。
• 参考スコア（独自算出の注目度）: 40.555874504438506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reasoning on the knowledge graph (KG) aims to infer new facts from existing ones. Methods based on the relational path in the literature have shown strong, interpretable, and inductive reasoning ability. However, the paths are naturally limited in capturing complex topology in KG. In this paper, we introduce a novel relational structure, i.e., relational directed graph (r-digraph), which is composed of overlapped relational paths, to capture the KG's structural information. Since the digraph exhibits more complex structure than paths, constructing and learning on the r-digraph are challenging. Here, we propose a variant of graph neural network, i.e., RED-GNN, to address the above challenges by learning the RElational Digraph with a variant of GNN. Specifically, RED-GNN recursively encodes multiple r-digraphs with shared edges and selects the strongly correlated edges through query-dependent attention weights. We demonstrate the significant gains on reasoning both KG with unseen entities and incompletion KG benchmarks by the r-digraph, the efficiency of RED-GNN, and the interpretable dependencies learned on the r-digraph.
• Abstract（参考訳）: 知識グラフ(KG)の推論は、既存のものから新しい事実を推測することを目的としている。 文学における関係経路に基づく手法は、強く、解釈可能で、帰納的推論能力を示す。 しかし、経路は自然にkgの複雑なトポロジーを捉えることに制限される。 本稿では,KGの構造情報を取得するために,重なり合う関係経路からなる関係有向グラフ(r-digraph)という新しい関係構造を導入する。 グラフは経路よりも複雑な構造を示すので、r-グラフの構成と学習は困難である。 本稿では,グラフニューラルネットワークの変種であるRED-GNNを提案する。 具体的には、RED-GNNは複数のr-digraphを共有エッジで再帰的にエンコードし、クエリ依存の注意重みを通して強く相関するエッジを選択する。 r-digraph による kg と unseen entity と uncompletion kg ベンチマークの両方の推論において有意な利益が得られたこと,red-gnn の効率,および r-digraph で学んだ解釈可能な依存関係が示された。

関連論文リスト

• SPGNN: Recognizing Salient Subgraph Patterns via Enhanced Graph Convolution and Pooling [25.555741218526464]
  グラフニューラルネットワーク(GNN)は、グラフやネットワークのような非ユークリッドデータ上での機械学習の分野に革命をもたらした。 本稿では,ノード表現をインジェクティブに更新する結合型グラフ畳み込み機構を提案する。 また,WL-SortPoolと呼ばれるグラフプーリングモジュールを設計し,重要なサブグラフパターンをディープラーニングで学習する。
  論文  参考訳（メタデータ） (2024-04-21T13:11:59Z)
• GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• FoSR: First-order spectral rewiring for addressing oversquashing in GNNs [0.0]
  グラフニューラルネットワーク(GNN)は、グラフのエッジに沿ってメッセージを渡すことによって、グラフデータの構造を活用することができる。 本稿では,グラフにエッジを体系的に付加することで過疎化を防止する計算効率のよいアルゴリズムを提案する。 提案アルゴリズムは,いくつかのグラフ分類タスクにおいて,既存のグラフリウィリング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-21T07:58:03Z)
• Dynamic Relevance Graph Network for Knowledge-Aware Question Answering [22.06211725256875]
  本研究は,外部知識の源泉となるコモンセンス質問回答の学習と推論の課題について考察する。 我々はDynamic Relevance Graph Network (DRGN)と呼ばれる新しいグラフニューラルネットワークアーキテクチャを提案する。 DRGNは、質問に基づいて与えられたKGサブグラフで動作し、エンティティに回答し、ノード間の関連スコアを使用して新しいエッジを確立する。
  論文  参考訳（メタデータ） (2022-09-20T18:52:05Z)
• Explainability in subgraphs-enhanced Graph Neural Networks [12.526174412246107]
  グラフ強化グラフニューラルネットワーク(SGNN)は,GNNの表現力を高めるために導入された。 本稿では, GNN の最近の解説者の一つである PGExplainer を SGNN に適用する。 本稿では,グラフ分類タスクにおけるSGNNの決定過程を説明することに成功していることを示す。
  論文  参考訳（メタデータ） (2022-09-16T13:39:10Z)
• 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)
• On Explainability of Graph Neural Networks via Subgraph Explorations [48.56936527708657]
  本稿では,グラフニューラルネットワーク(GNN)を説明するための新しい手法,SubgraphXを提案する。 我々の研究は,GNNのサブグラフを明示的に識別する最初の試みである。
  論文  参考訳（メタデータ） (2021-02-09T22:12:26Z)
• Improving Graph Neural Network Expressivity via Subgraph Isomorphism Counting [63.04999833264299]
  グラフサブストラクチャネットワーク(GSN)は,サブストラクチャエンコーディングに基づくトポロジ的に認識可能なメッセージパッシング方式である。 Wesfeiler-Leman (WL) グラフ同型テストよりも厳密に表現可能であることを示す。 グラフ分類と回帰タスクについて広範囲に評価を行い、様々な実世界の環境において最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-16T15:30:31Z)
• Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
  知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。 本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
  論文  参考訳（メタデータ） (2020-04-13T15:43:22Z)

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。