論文の概要: Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network

• arxiv url: http://arxiv.org/abs/2207.07503v1
• Date: Thu, 14 Jul 2022 10:16:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-18 13:17:10.596237
• Title: Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network
• Title（参考訳）: 高次グラフ推論ネットワークによる説明可能なスパース知識グラフ補完
• Authors: Weijian Chen, Yixin Cao, Fuli Feng, Xiangnan He, Yongdong Zhang
• Abstract要約: 本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
• 参考スコア（独自算出の注目度）: 111.67744771462873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graphs (KGs) are becoming increasingly essential infrastructures in many applications while suffering from incompleteness issues. The KG completion task (KGC) automatically predicts missing facts based on an incomplete KG. However, existing methods perform unsatisfactorily in real-world scenarios. On the one hand, their performance will dramatically degrade along with the increasing sparsity of KGs. On the other hand, the inference procedure for prediction is an untrustworthy black box. This paper proposes a novel explainable model for sparse KGC, compositing high-order reasoning into a graph convolutional network, namely HoGRN. It can not only improve the generalization ability to mitigate the information insufficiency issue but also provide interpretability while maintaining the model's effectiveness and efficiency. There are two main components that are seamlessly integrated for joint optimization. First, the high-order reasoning component learns high-quality relation representations by capturing endogenous correlation among relations. This can reflect logical rules to justify a broader of missing facts. Second, the entity updating component leverages a weight-free Graph Convolutional Network (GCN) to efficiently model KG structures with interpretability. Unlike conventional methods, we conduct entity aggregation and design composition-based attention in the relational space without additional parameters. The lightweight design makes HoGRN better suitable for sparse settings. For evaluation, we have conducted extensive experiments-the results of HoGRN on several sparse KGs present impressive improvements (9% MRR gain on average). Further ablation and case studies demonstrate the effectiveness of the main components. Our codes will be released upon acceptance.
• Abstract（参考訳）: 知識グラフ(KG)は多くのアプリケーションにおいて不完全性の問題に悩まされているが、ますます重要なインフラになりつつある。 KG完了タスク(KGC)は、不完全なKGに基づいて、行方不明の事実を自動的に予測する。 しかし、既存の手法は現実のシナリオでは不満足に機能する。 一方、彼らの性能は、kgのスパース性の増加とともに劇的に低下する。 一方、予測のための推論手順は信頼できないブラックボックスである。 本稿では,グラフ畳み込みネットワーク,すなわちHoGRNに高次推論を合成する,スパースKGCの新しい説明可能なモデルを提案する。 情報不足の問題を緩和する一般化能力を向上させるだけでなく、モデルの有効性と効率を維持しながら解釈性を提供する。 共同最適化のためにシームレスに統合された2つの主要コンポーネントがある。 まず、高次推論成分は、関係間の内在的相関を捉えて高品質な関係表現を学習する。 これは論理的な規則を反映して、欠落した事実をより広く正当化することができる。 第二に、エンティティ更新コンポーネントは、重量のないグラフ畳み込みネットワーク(GCN)を利用して、解釈可能なKG構造を効率的にモデル化する。 従来の手法とは違って,余分なパラメータを伴わない関係空間において,エンティティアグリゲーションと構成に基づく設計を行う。 軽量なデザインにより、HoGRNはスパース設定に適している。 評価のために, 疎KGに対するHoGRNの結果から, 顕著な改善(平均で9%のMRRゲイン)が得られた。 さらにアブレーションやケーススタディが主成分の有効性を示している。 私たちのコードは受け入れ次第解放されます。

関連論文リスト

• EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
  Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T02:27:23Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge Graph Completion [20.45256490854869]
  本稿では,エンティティ間の価値ある長距離依存性を自動的にキャプチャできる新しいフレームワークLR-GCNを提案する。 提案手法は、GNNベースの予測器と推論経路蒸留器の2つの主成分からなる。
  論文  参考訳（メタデータ） (2023-06-29T15:35:34Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• GreenKGC: A Lightweight Knowledge Graph Completion Method [32.528770408502396]
  GreenKGCは、知識グラフ内のエンティティ間の欠落した関係を見つけることを目的としている。 表現学習、特徴抽出、決定学習の3つのモジュールで構成されている。 低次元では、GreenKGCはほとんどのデータセットでSOTAメソッドより優れている。
  論文  参考訳（メタデータ） (2022-08-19T03:33:45Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Simple and Effective Relation-based Embedding Propagation for Knowledge Representation Learning [15.881121633396832]
  本稿では,事前学習したグラフ埋め込みを文脈に適応させるために,Relation-based Embedding Propagation (REP)法を提案する。 我々は,REPがOGBL-WikiKG2上の三重項埋め込み法に対して10%の相対的な改善をもたらすことを示した。 最先端のGC-OTEと同等の結果を得るには5%-83%の時間を要する。
  論文  参考訳（メタデータ） (2022-05-13T06:02:13Z)
• Link-Intensive Alignment for Incomplete Knowledge Graphs [28.213397255810936]
  本研究では,不完全KGと表現学習の整合性の問題に対処する。 我々のフレームワークは、推移性に基づく2つの特徴チャネルと近接性に基づく2つの特徴チャネルを利用する。 2つの特徴チャネルは、入力KG間で重要な特徴を交換するために共同で学習される。 また,学習過程中に欠落したリンクを検出し,回復するリンク検出装置も開発した。
  論文  参考訳（メタデータ） (2021-12-17T00:41:28Z)

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。