論文の概要: A Topological View of Rule Learning in Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2110.02510v1
- Date: Wed, 6 Oct 2021 05:18:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-07 14:19:48.407250
- Title: A Topological View of Rule Learning in Knowledge Graphs
- Title（参考訳）: 知識グラフにおけるルール学習のトポロジ的視点
- Authors: Zuoyu Yan, Tengfei Ma, Liangcai Gao, Zhi Tang, Chao Chen
- Abstract要約: 本稿では,知識グラフのルールをサイクルとみなす。
サイクル空間の線形構造を探索することにより、規則の探索効率を向上させることができる。
収集サイクル上に新しいGNNフレームワークを構築し,サイクルの表現を学習し,関連性の有無を予測する。
- 参考スコア（独自算出の注目度）: 15.068319518015421
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inductive relation prediction is an important learning task for knowledge
graph completion. One can use the existence of rules, namely a sequence of
relations, to predict the relation between two entities. Previous works view
rules as paths and primarily focus on the searching of paths between entities.
The space of paths is huge, and one has to sacrifice either efficiency or
accuracy. In this paper, we consider rules in knowledge graphs as cycles and
show that the space of cycles has a unique structure based on the theory of
algebraic topology. By exploring the linear structure of the cycle space, we
can improve the searching efficiency of rules. We propose to collect cycle
bases that span the space of cycles. We build a novel GNN framework on the
collected cycles to learn the representations of cycles, and to predict the
existence/non-existence of a relation. Our method achieves state-of-the-art
performance on benchmarks.
- Abstract（参考訳）: 帰納的関係予測は知識グラフ補完の重要な学習課題である。
規則の存在、すなわち関係の列を2つの実体の間の関係を予測するのに用いることができる。
以前の作業ではルールをパスとして捉えており、主にエンティティ間のパスの検索に重点を置いている。
パスの空間は巨大であり、効率と正確性を犠牲にしなければならない。
本稿では,知識グラフの規則をサイクルとして考慮し,サイクルの空間が代数トポロジーの理論に基づく一意的な構造を持つことを示す。
サイクル空間の線形構造を探索することで、ルールの探索効率を向上させることができる。
サイクルの空間にまたがるサイクルベースを収集することを提案する。
収集サイクル上に新しいGNNフレームワークを構築し,サイクルの表現を学習し,関連性の有無を予測する。
本手法は,ベンチマークによる最先端性能を実現する。
関連論文リスト
- Differentiable Bayesian Structure Learning with Acyclicity Assurance [7.568978862189266]
トポロジ的順序付けからの知識の統合によりグラフの非巡回性を厳格に制限する代替手法を提案する。
提案手法は、生成したグラフの構造が非循環であることを保証しながら、推論の複雑さを低減することができる。
論文 参考訳（メタデータ） (2023-09-04T06:44:46Z) - Intrinsically motivated graph exploration using network theories of
human curiosity [71.2717061477241]
本稿では,人間の好奇心の2つの理論によるグラフ構造化データの探索手法を提案する。
提案した特徴を,グラフニューラルネットワークに基づく強化学習の報奨として利用する。
論文 参考訳（メタデータ） (2023-07-11T01:52:08Z) - Self-organization Preserved Graph Structure Learning with Principle of
Relevant Information [72.83485174169027]
PRI-GSLは、自己組織化を特定し、隠された構造を明らかにするグラフ構造学習フレームワークである。
PRI-GSLは、フォン・ノイマンエントロピーと量子ジェンセン=シャノンの発散によって定量化された最も関連性が最も低い冗長な情報を含む構造を学ぶ。
論文 参考訳（メタデータ） (2022-12-30T16:02:02Z) - RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。
RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。
複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
論文 参考訳（メタデータ） (2022-10-24T06:47:13Z) - Joint Language Semantic and Structure Embedding for Knowledge Graph
Completion [66.15933600765835]
本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。
本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。
各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
論文 参考訳（メタデータ） (2022-09-19T02:41:02Z) - Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。
提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
論文 参考訳（メタデータ） (2022-06-24T08:33:43Z) - What is Learned in Knowledge Graph Embeddings? [3.224929252256631]
知識グラフ(英: knowledge graph, KG)とは、有向グラフの頂点と辺として実体と関係を表すデータ構造である。
本稿では,関係性間の規則の学習が,組込み方式の性能向上の要因であるかどうかを考察する。
合成KGの実験により、KGモデルがモチーフを学習し、その能力が非モチーフエッジによってどのように劣化するかを示す。
論文 参考訳（メタデータ） (2021-10-19T13:52:11Z) - Definite Non-Ancestral Relations and Structure Learning [10.8738893134525]
CPDAGとd-セパレーション関係による祖先関係のグラフィカルな特徴について検討する。
本研究では,骨格を学習することなく,特定の非祖先関係を学習できる枠組みを提案する。
論文 参考訳（メタデータ） (2021-05-20T06:53:52Z) - Persistence Homology for Link Prediction: An Interactive View [15.068319518015421]
リンク予測は、グラフ構造データにとって重要な学習タスクです。
2つのノード間の相互作用を特徴付ける新しいトポロジカルアプローチを提案する。
また、異なるベンチマークで最新技術を上回るグラフニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2021-02-20T04:33:59Z) - Theoretical Rule-based Knowledge Graph Reasoning by Connectivity
Dependency Discovery [2.945948598480997]
本稿では,複数のルールタイプを介して,グラフ内の接続依存性をキャプチャするルールベースの知識グラフ推論の理論を提案する。
その結果,ルールディクトモデルは新しい三重項を正確に解釈するだけでなく,1つのベンチマーク知識グラフ補完タスクにおける最先端のパフォーマンスも達成できることがわかった。
論文 参考訳（メタデータ） (2020-11-12T03:00:20Z) - GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。
学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。
GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文 参考訳（メタデータ） (2020-07-07T16:51:39Z)
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。