Fugu-MT 論文翻訳(概要): Temporal Inductive Logic Reasoning over Hypergraphs

論文の概要: Temporal Inductive Logic Reasoning over Hypergraphs

arxiv url: http://arxiv.org/abs/2206.05051v2
Date: Sun, 5 May 2024 20:14:07 GMT
ステータス: 処理完了
システム内更新日: 2024-05-08 03:49:02.122455
Title: Temporal Inductive Logic Reasoning over Hypergraphs
Title（参考訳）: ハイパーグラフ上の時間的帰納論理推論
Authors: Yuan Yang, Siheng Xiong, Ali Payani, James C Kerce, Faramarz Fekri,
Abstract要約: 時間的インダクティブ論理推論(TILR)を提案する。パス一貫性アルゴリズムと組み合わせることで、TILRは時間データと関係データの両方から論理規則を一般化することで学習する。
参考スコア（独自算出の注目度）: 13.497061050853741
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Inductive logic reasoning is a fundamental task in graph analysis, which aims to generalize patterns from data. This task has been extensively studied for traditional graph representations, such as knowledge graphs (KGs), using techniques like inductive logic programming (ILP). Existing ILP methods assume learning from KGs with static facts and binary relations. Beyond KGs, graph structures are widely present in other applications such as procedural instructions, scene graphs, and program executions. While ILP is beneficial for these applications, applying it to those graphs is nontrivial: they are more complex than KGs, which usually involve timestamps and n-ary relations, effectively a type of hypergraph with temporal events. In this work, we propose temporal inductive logic reasoning (TILR), an ILP method that reasons on temporal hypergraphs. To enable hypergraph reasoning, we introduce the multi-start random B-walk, a novel graph traversal method for hypergraphs. By combining it with a path-consistency algorithm, TILR learns logic rules by generalizing from both temporal and relational data. To address the lack of hypergraph benchmarks, we create and release two temporal hypergraph datasets: YouCook2-HG and nuScenes-HG. Experiments on these benchmarks demonstrate that TILR achieves superior reasoning capability over various strong baselines.
Abstract（参考訳）: 帰納論理推論は、データからパターンを一般化することを目的としたグラフ解析の基本的な課題である。この課題は知識グラフ(KG)のような従来のグラフ表現において、帰納的論理プログラミング(ILP)のような手法を用いて広く研究されてきた。既存のILP法は、静的事実と二項関係を持つKGからの学習を前提としている。 KG以外にも、プロシージャ命令やシーングラフ、プログラムの実行など、他のアプリケーションにもグラフ構造が広く存在している。 ILPはこれらの用途には有益であるが、これらのグラフに適用するのは自明なことではない。それらは、通常、タイムスタンプや n-ary 関係を含む KG よりも複雑であり、事実上時間的事象を伴うハイパーグラフの一種である。本研究では,時間的インダクティブ論理推論(TILR)を提案する。ハイパグラフ推論を実現するために,ハイパグラフの新しいグラフトラバース法であるマルチスタートランダムBウォークを導入する。パス一貫性アルゴリズムと組み合わせることで、TILRは時間データと関係データの両方から論理規則を一般化することで学習する。ハイパーグラフベンチマークの欠如に対処するため、YouCook2-HGとnuScenes-HGという2つの時間ハイパーグラフデータセットを作成し、リリースする。これらのベンチマーク実験により、TILRは様々な強力なベースラインに対して優れた推論能力を発揮することが示された。

関連論文リスト

Temporal Graph ODEs for Irregularly-Sampled Time Series [32.68671699403658]
時間的グラフ正規微分方程式(TG-ODE)フレームワークを導入し,時間的および空間的ダイナミクスをグラフストリームから学習する。提案手法をいくつかのグラフベンチマークで実証的に検証し、不規則なグラフストリームタスクにおいてTG-ODEが最先端の性能を達成可能であることを示す。
論文参考訳（メタデータ） (2024-04-30T12:43:11Z)
Two Heads Are Better Than One: Boosting Graph Sparse Training via Semantic and Topological Awareness [80.87683145376305]
グラフニューラルネットワーク(GNN)は、様々なグラフ学習タスクに優れるが、大規模グラフに適用した場合、計算上の課題に直面している。データレベルで空間を動的に操作するグラフスパーストレーニング(GST)を提案する。 GSTは、最大位相整合性と性能劣化のないスパースグラフを生成する。
論文参考訳（メタデータ） (2024-02-02T09:10:35Z)
Time-aware Graph Structure Learning via Sequence Prediction on Temporal Graphs [10.034072706245544]
時系列グラフのシーケンス予測による時間認識型グラフ構造学習(TGSL)手法を提案する。特に、タイムアウェアなコンテキスト埋め込みを予測し、Gumble-Top-Kを使用して、このコンテキスト埋め込みに最も近い候補エッジを選択する。時間リンク予測ベンチマークの実験は、TGSLがTGATやGraphMixerのような一般的なTGNに対して大きな利益をもたらすことを示した。
論文参考訳（メタデータ） (2023-06-13T11:34:36Z)
A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文参考訳（メタデータ） (2022-12-12T08:40:04Z)
Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2021-09-01T08:24:02Z)
Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文参考訳（メタデータ） (2021-03-30T08:58:45Z)
T-GAP: Learning to Walk across Time for Temporal Knowledge Graph Completion [13.209193437124881]
時間的知識グラフ(TKG)は、静的知識グラフとは対照的に、本質的に現実世界の知識の過渡的な性質を反映している。エンコーダとデコーダにおける時間情報とグラフ構造の両方を最大限に活用するTKG補完の新しいモデルであるT-GAPを提案する。本実験は、T-GAPが最先端のベースラインに対する優れた性能を達成し、目に見えないタイムスタンプによるクエリに有能に一般化することを示す。
論文参考訳（メタデータ） (2020-12-19T04:45:32Z)
HyperSAGE: Generalizing Inductive Representation Learning on Hypergraphs [24.737560790401314]
2段階のニューラルメッセージパッシング戦略を用いて、ハイパーグラフを介して情報を正確かつ効率的に伝播する新しいハイパーグラフ学習フレームワークHyperSAGEを提案する。本稿では,HyperSAGEが代表的ベンチマークデータセット上で最先端のハイパーグラフ学習手法より優れていることを示す。
論文参考訳（メタデータ） (2020-10-09T13:28:06Z)
Graph topology inference benchmarks for machine learning [16.857405938139525]
本稿では,グラフ推論手法の相対的メリットと限界を明らかにするために,いくつかのベンチマークを導入する。我々はまた、文学において最も顕著な技法のいくつかを対比している。
論文参考訳（メタデータ） (2020-07-16T09:40:32Z)
Pointer Graph Networks [48.44209547013781]
グラフニューラルネットワーク(GNN)は通常、前もって知られていると仮定される静的グラフに適用される。 Pointer Graph Networks (PGNs) モデル一般化能力を改善するために、追加の推論エッジを備えた拡張セットまたはグラフ。 PGNは各ノードが別のノードを動的に指し、メッセージがこれらのポインタを渡ることを可能にする。
論文参考訳（メタデータ） (2020-06-11T12:52:31Z)
Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
論文参考訳（メタデータ） (2020-03-14T05:45:55Z)

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。