論文の概要: Subgraph Neighboring Relations Infomax for Inductive Link Prediction on Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2208.00850v1
• Date: Thu, 28 Jul 2022 01:52:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-02 13:06:08.280736
• Title: Subgraph Neighboring Relations Infomax for Inductive Link Prediction on Knowledge Graphs
• Title（参考訳）: 知識グラフに基づくインダクティブリンク予測のためのサブグラフ近傍関係 Infomax
• Authors: Xiaohan Xu, Peng Zhang, Yongquan He, Chengpeng Chao, Chaoyang Yan
• Abstract要約: Subgraph Neighboring Relations Infomax, SNRI は2つの側面から完全な近隣関係を利用する。 SNRIはインダクティブリンク予測タスクにおいて,既存の最先端手法よりも高い性能を示す実験を行った。
• 参考スコア（独自算出の注目度）: 4.096203468876652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inductive link prediction for knowledge graph aims at predicting missing links between unseen entities, those not shown in training stage. Most previous works learn entity-specific embeddings of entities, which cannot handle unseen entities. Recent several methods utilize enclosing subgraph to obtain inductive ability. However, all these works only consider the enclosing part of subgraph without complete neighboring relations, which leads to the issue that partial neighboring relations are neglected, and sparse subgraphs are hard to be handled. To address that, we propose Subgraph Neighboring Relations Infomax, SNRI, which sufficiently exploits complete neighboring relations from two aspects: neighboring relational feature for node feature and neighboring relational path for sparse subgraph. To further model neighboring relations in a global way, we innovatively apply mutual information (MI) maximization for knowledge graph. Experiments show that SNRI outperforms existing state-of-art methods by a large margin on inductive link prediction task, and verify the effectiveness of exploring complete neighboring relations in a global way to characterize node features and reason on sparse subgraphs.
• Abstract（参考訳）: 知識グラフの帰納的リンク予測は、訓練段階に示されないエンティティ間の欠落リンクを予測することを目的としている。 以前の作品の多くはエンティティのエンティティ固有の埋め込みを学習しており、見えないエンティティは処理できない。 近年のいくつかの手法では、囲い込み部分グラフを用いて誘導能力を得る。 しかし、これらすべての研究は、完全隣接関係のない部分グラフの囲い部分のみを考慮し、部分隣接関係は無視され、疎疎部分グラフは扱いにくいという問題に繋がる。 そこで我々は,ノード特徴の近傍関係とスパース部分グラフの隣接関係経路という2つの側面から,完全隣接関係を十分に活用するSubgraph Neboring Relations Infomax,SNRIを提案する。 さらに,隣り合う関係をグローバルにモデル化するために,知識グラフに対する相互情報(mi)の最大化を革新的に適用する。 実験により、SNRIは、誘導的リンク予測タスクにおいて既存の最先端手法よりも優れた性能を示し、ノードの特徴とスパース部分グラフの推論をグローバルに評価する方法として、完全隣接関係探索の有効性を検証する。

関連論文リスト

• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• 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)
• InGram: Inductive Knowledge Graph Embedding via Relation Graphs [16.005051393690792]
  本稿では,インダクティブ・ナレッジGRAph eMbedding法であるInGramを提案する。 実験の結果,InGramは様々な帰納的学習シナリオにおいて,14種類の最先端手法より優れていた。
  論文  参考訳（メタデータ） (2023-05-31T16:10:42Z)
• Message Intercommunication for Inductive Relation Reasoning [49.731293143079455]
  我々はMINESと呼ばれる新しい帰納的関係推論モデルを開発した。 隣り合う部分グラフにメッセージ通信機構を導入する。 我々の実験は、MINESが既存の最先端モデルより優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-23T13:51:46Z)
• 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)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Reasoning Through Memorization: Nearest Neighbor Knowledge Graph Embeddings [29.94706167233985]
  kNN-KGEは、事前訓練された言語モデルを用いた新しい知識グラフ埋め込みアプローチである。 我々は、知識ストアからのエンティティ埋め込み空間内の距離に基づいて、最も近い隣人を計算する。
  論文  参考訳（メタデータ） (2022-01-14T17:35:16Z)
• Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
  数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。 単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。 慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
  論文  参考訳（メタデータ） (2021-02-05T21:04:31Z)
• 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。