論文の概要: Learning Adaptive Propagation for Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2205.15319v1
• Date: Mon, 30 May 2022 14:00:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-02 10:46:15.338870
• Title: Learning Adaptive Propagation for Knowledge Graph Reasoning
• Title（参考訳）: 知識グラフ推論のための学習適応伝播
• Authors: Yongqi Zhang, Zhanke Zhou, Quanming Yao, Xiaowen Chu, Bo Han
• Abstract要約: 本稿では,伝搬路のレンズから模範作品を再考する。 回答エンティティは問い合わせエンティティに近いものになり得るが、情報依存は長くなる可能性がある。 我々は、有望な目標を維持しながら、無関係なエンティティをフィルタリングする適応的な伝搬経路を学習する。
• 参考スコア（独自算出の注目度）: 43.06729402877713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the success of Graph Neural Networks (GNNs) in learning from graph-structured data, various GNN-based methods have been introduced to learn from knowledge graphs (KGs). In this paper, to reveal the key factors underneath existing GNN-based methods, we revisit exemplar works from the lens of the propagation path. We find that the answer entity can be close to queried one, but the information dependency can be long. Thus, better reasoning performance can be obtained by exploring longer propagation paths. However, identifying such a long-range dependency in KG is hard since the number of involved entities grows exponentially. This motivates us to learn an adaptive propagation path that filters out irrelevant entities while preserving promising targets during the propagation. First, we design an incremental sampling mechanism where the close and promising target can be preserved. Second, we design a learning-based sampling distribution to identify the targets with fewer involved entities. In this way, GNN can go deeper to capture long-range information. Extensive experiments show that our method is efficient and achieves state-of-the-art performances in both transductive and inductive reasoning settings, benefiting from the deeper propagation.
• Abstract（参考訳）: グラフ構造化データから学習するグラフニューラルネットワーク(GNN)の成功により、知識グラフ(KG)から学習するために様々なGNNベースの手法が導入された。 本稿では,既存のGNN手法の根底にある重要な要素を明らかにするために,伝搬路のレンズから模範作品を再考する。 回答エンティティはクエリされたエンティティに近いものになりえるが、情報依存性は長くなる可能性がある。 これにより、より長い伝播経路を探索することで、より良い推論性能が得られる。 しかし,関係するエンティティの数は指数関数的に増加するため,kgにおけるこのような長距離依存の同定は困難である。 これにより、伝播中に有望なターゲットを維持しながら、無関係な実体をフィルターアウトする適応的伝播経路を学習するモチベーションが生まれます。 まず,閉じた目標と有望な目標を保存できるインクリメンタルサンプリング機構を設計する。 第2に,関連するエンティティの少ないターゲットを識別するために,学習に基づくサンプリング分布を設計する。 このようにして、GNNはより深く、長距離情報をキャプチャすることができる。 広汎な実験により,本手法は効率が高く,より深い伝播の恩恵を受けながら,トランスダクティブおよびインダクティブ推論の両方において最先端の性能を実現することができた。

関連論文リスト

• Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning [2.603958690885184]
  MF2Vecは、事前に定義されたメタパスの代わりに、多面的(きめ細かい)パスを使用するモデルである。 この方法はノードとその関係の多様な側面を学習し、均質なネットワークを構築し、分類、リンク予測、クラスタリングのためのノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2024-07-30T08:45:32Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNN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） (2022-05-31T10:38:04Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• AdaGNN: A multi-modal latent representation meta-learner for GNNs based on AdaBoosting [0.38073142980733]
  グラフニューラルネットワーク(GNN)は、固有のネットワーク機能の抽出に重点を置いている。 GNNのための強化型メタラーナを提案する。 AdaGNNは、リッチで多様なノード近傍情報を持つアプリケーションに対して非常によく機能する。
  論文  参考訳（メタデータ） (2021-08-14T03:07:26Z)
• ROD: Reception-aware Online Distillation for Sparse Graphs [23.55530524584572]
  疎グラフ学習のための新しいレセプション対応オンライン知識蒸留手法 ROD を提案する。 RODのための3つの監視信号: マルチスケールの受信対応グラフ知識、タスクベース監視、豊富な蒸留知識。 我々のアプローチは9つのデータセットと様々なグラフベースのタスクで広く評価されている。
  論文  参考訳（メタデータ） (2021-07-25T11:55:47Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

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。