論文の概要: An Open Challenge for Inductive Link Prediction on Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2203.01520v1
• Date: Thu, 3 Mar 2022 05:24:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 14:33:30.530854
• Title: An Open Challenge for Inductive Link Prediction on Knowledge Graphs
• Title（参考訳）: 知識グラフの帰納的リンク予測のためのオープンチャレンジ
• Authors: Mikhail Galkin, Max Berrendorf, Charles Tapley Hoyt
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.7960322329952452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An emerging trend in representation learning over knowledge graphs (KGs) moves beyond transductive link prediction tasks over a fixed set of known entities in favor of inductive tasks that imply training on one graph and performing inference over a new graph with unseen entities. In inductive setups, node features are often not available and training shallow entity embedding matrices is meaningless as they cannot be used at inference time with unseen entities. Despite the growing interest, there are not enough benchmarks for evaluating inductive representation learning methods. In this work, we introduce ILPC 2022, a novel open challenge on KG inductive link prediction. To this end, we constructed two new datasets based on Wikidata with various sizes of training and inference graphs that are much larger than existing inductive benchmarks. We also provide two strong baselines leveraging recently proposed inductive methods. We hope this challenge helps to streamline community efforts in the inductive graph representation learning area. ILPC 2022 follows best practices on evaluation fairness and reproducibility, and is available at https://github.com/pykeen/ilpc2022.
• Abstract（参考訳）: 知識グラフ(KGs)に対する表現学習の新たなトレンドは、あるグラフ上でトレーニングし、未知のエンティティを持つ新しいグラフ上で推論を実行する誘導的タスクに賛成する、既知のエンティティの固定されたセット上の帰納的リンク予測タスクを越えている。 帰納的な設定では、ノード機能は利用できないことが多く、浅いエンティティの埋め込み行列をトレーニングすることは意味がない。 関心が高まっているにもかかわらず、帰納的表現学習方法を評価するためのベンチマークは不十分である。 本稿では,KGインダクティブリンク予測における新たな課題であるILPC 2022を紹介する。 この目的のために、既存のインダクティブベンチマークよりもはるかに大きいトレーニングと推論グラフのさまざまなサイズのWikidataに基づく2つの新しいデータセットを構築した。 また,最近提案する帰納的手法を活用した2つの強力なベースラインを提供する。 この課題が,インダクティブグラフ表現学習領域におけるコミュニティの取り組みの合理化に役立つことを願っています。 ilpc 2022は評価の公平性と再現性に関するベストプラクティスに従い、https://github.com/pykeen/ilpc2022で利用可能である。

関連論文リスト

• Extending Transductive Knowledge Graph Embedding Models for Inductive Logical Relational Inference [0.5439020425819]
  この研究は、従来の帰納的知識グラフの埋め込みアプローチと、より最近の帰納的関係予測モデルとのギャップを埋めるものである。 本稿では,帰納的埋め込み法で学習した表現を活用して,推論時に導入された新しい実体の表現を帰納的設定で推論する一般調和拡張法を提案する。 多数の大規模知識グラフ埋め込みベンチマークの実験において、この手法は、帰納的知識グラフ埋め込みモデルの機能を拡張するためのものであり、いくつかのシナリオでは、そのような帰納的タスクのために明示的に導出される最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-09-07T15:24:18Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Graph Condensation for Inductive Node Representation Learning [59.76374128436873]
  マッピング対応グラフ凝縮法(MCond)を提案する。 MCondは、帰納的表現学習のための合成グラフに新しいノードを統合する。 Redditデータセットでは、最大121.5倍の推論スピードアップと55.9倍のストレージ要求の削減を実現している。
  論文  参考訳（メタデータ） (2023-07-29T12:11:14Z)
• 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)
• RAILD: Towards Leveraging Relation Features for Inductive Link Prediction In Knowledge Graphs [1.5469452301122175]
  知識グラフの補完にはRAILD(Relation Aware Inductive Link PreDiction)が提案されている。 RAILDは、見えない実体と見えない関係の両方の表現を学ぶ。
  論文  参考訳（メタデータ） (2022-11-21T12:35:30Z)
• Inductive Logical Query Answering in Knowledge Graphs [30.220508024471595]
  本研究では、新しいエンティティを含むグラフ上で推論を行う帰納的クエリ応答タスクについて検討する。 グラフニューラルネットワーク(GNN)を用いた帰納的ノードと関係構造表現の2つのメカニズムを考案する。 実験により、帰納的モデルは、学習ノードよりも最大500%大きいグラフに一般化した未確認ノードに対して、推論時間で論理的推論を行うことができることを示した。
  論文  参考訳（メタデータ） (2022-10-13T03:53:34Z)
• Improving Inductive Link Prediction Using Hyper-Relational Facts [15.820005235333882]
  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。
  論文  参考訳（メタデータ） (2021-07-10T19:16:03Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• Iterative Graph Self-Distillation [161.04351580382078]
  我々は、IGSD(Iterative Graph Self-Distillation)と呼ばれる新しい教師なしグラフ学習パラダイムを提案する。 IGSDは、グラフ拡張による教師/学生の蒸留を反復的に行う。 我々は,教師なしと半教師なしの両方の設定において,さまざまなグラフデータセットに対して,有意かつ一貫したパフォーマンス向上を実現していることを示す。
  論文  参考訳（メタデータ） (2020-10-23T18:37:06Z)
• 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。