論文の概要: Inductive Knowledge Graph Reasoning for Multi-batch Emerging Entities

• arxiv url: http://arxiv.org/abs/2208.10378v1
• Date: Mon, 22 Aug 2022 14:59:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 12:25:26.853678
• Title: Inductive Knowledge Graph Reasoning for Multi-batch Emerging Entities
• Title（参考訳）: マルチバッチ創発エンティティのための帰納的知識グラフ推論
• Authors: Yuanning Cui and Yuxin Wang and Zequn Sun and Wenqiang Liu and Yiqiao Jiang and Kexin Han and Wei Hu
• Abstract要約: 既存のインダクティブな作業は、新しいエンティティがすべてバッチで1度現れていると仮定します。 この研究は、複数のバッチに新しいエンティティが出現する、より現実的で困難な状況に飛び込んでいます。 そこで我々は,新しい環境に適応するための,歩行に基づく帰納的推論モデルを提案する。
• 参考スコア（独自算出の注目度）: 22.88552158340435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the years, reasoning over knowledge graphs (KGs), which aims to infer new conclusions from known facts, has mostly focused on static KGs. The unceasing growth of knowledge in real life raises the necessity to enable the inductive reasoning ability on expanding KGs. Existing inductive work assumes that new entities all emerge once in a batch, which oversimplifies the real scenario that new entities continually appear. This study dives into a more realistic and challenging setting where new entities emerge in multiple batches. We propose a walk-based inductive reasoning model to tackle the new setting. Specifically, a graph convolutional network with adaptive relation aggregation is designed to encode and update entities using their neighboring relations. To capture the varying neighbor importance, we employ a query-aware feedback attention mechanism during the aggregation. Furthermore, to alleviate the sparse link problem of new entities, we propose a link augmentation strategy to add trustworthy facts into KGs. We construct three new datasets for simulating this multi-batch emergence scenario. The experimental results show that our proposed model outperforms state-of-the-art embedding-based, walk-based and rule-based models on inductive KG reasoning.
• Abstract（参考訳）: 長年にわたり、既知の事実から新たな結論を推論することを目的とした知識グラフ(KG)の推論は、主に静的なKGに焦点を当ててきた。 実生活における知識の増大は、KGを拡大する誘導的推論能力を実現する必要性を高める。 既存の帰納的作業は、新しいエンティティがバッチで1度だけ出現すると仮定し、新しいエンティティが継続的に現れる実際のシナリオを過度に単純化する。 この研究は、複数のバッチに新しいエンティティが出現する、より現実的で挑戦的な設定へと飛び込みます。 そこで本研究では,歩行に基づく帰納的推論モデルを提案する。 具体的には、アダプティブリレーションアグリゲーションを持つグラフ畳み込みネットワークは、隣り合うリレーションを使ってエンティティをエンコードして更新するように設計されている。 近隣の様々な重要性を捉えるために、集約中にクエリ対応のフィードバックアテンション機構を用いる。 さらに,新たなエンティティの疎リンク問題を軽減するために,信頼に値する事実をkgsに付加するリンク拡張戦略を提案する。 このマルチバッチ発生シナリオをシミュレートするための3つの新しいデータセットを構築した。 実験結果から,提案手法は誘導的KG推論における最先端の埋め込みモデル,ウォークベースモデル,ルールベースモデルよりも優れていた。

関連論文リスト

• Expanding the Scope: Inductive Knowledge Graph Reasoning with Multi-Starting Progressive Propagation [10.587369382226251]
  本稿では、条件付きメッセージパッシングニューラルネットワーク(C-MPNN)を利用した新しい帰納的KG推論モデルMStarを提案する。 キーとなる洞察は、複数のクエリ固有の開始エンティティを選択して、プログレッシブな伝播の範囲を広げることです。 実験結果から,MStarは最先端モデルと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-07-15T04:16:20Z)
• Logical Reasoning with Relation Network for Inductive Knowledge Graph Completion [9.815135283458808]
  帰納的KG完了のための新しいiNfOmax RelAtion Network(NORAN)を提案する。 我々のフレームワークは最先端のKGC手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-06-03T09:30:43Z)
• Visual Chain of Thought: Bridging Logical Gaps with Multimodal Infillings [61.04460792203266]
  本稿では, 逐次データ内の論理的ギャップを埋めるために, 視覚言語による接地を促進させる, チェーン・オブ・シントを利用する新しい手法であるVCoTを紹介する。 本手法は,下流タスクの論理的ギャップを低減するために,一貫した情報と新しい情報を加える合成マルチモーダル埋め込みを生成するために視覚誘導を用いる。
  論文  参考訳（メタデータ） (2023-05-03T17:58:29Z)
• 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)
• Learning to Sample and Aggregate: Few-shot Reasoning over Temporal Knowledge Graphs [13.230166885504202]
  本稿では,時間的知識グラフ推論という,現実的だが未探索な問題について考察する。 進化するグラフにおける極めて限定的な観測に基づいて、新しい実体の将来の事実を予測することを目的としている。 本稿ではメタ時間知識グラフ推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-16T22:40:33Z)
• Facing Changes: Continual Entity Alignment for Growing Knowledge Graphs [22.88552158340435]
  我々は、連続的なエンティティアライメント(continuous entity alignment)と呼ばれる現実的だが探索されていない設定を提案し、掘り下げる。 エンティティの隣接性に基づいてエンティティの表現を再構築し、新しいエンティティへの埋め込みを迅速に生成する。 知識増強のために信頼できるアライメントを抽出しながら、部分的な事前整列されたエンティティペアを選択してKGの一部のみを訓練する。
  論文  参考訳（メタデータ） (2022-07-23T06:52:44Z)
• BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models [65.51390418485207]
  本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。 関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。 我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
  論文  参考訳（メタデータ） (2022-06-28T19:46:29Z)
• Type-aware Embeddings for Multi-Hop Reasoning over Knowledge Graphs [18.56742938427262]
  実生活知識グラフ(KG)に対するマルチホップ推論は非常に難しい問題である。 この問題に対処するため、最近、論理的クエリとKGを併用した有望なアプローチを導入している。 本稿では,クエリにおけるエンティティと関係表現を強化する新しいTEMP(TypE-aware Message Passing)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-02T10:05:13Z)
• 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)
• A Simple Approach to Case-Based Reasoning in Knowledge Bases [56.661396189466664]
  我々は,古典人工知能(AI)におけるケースベース推論を想起させる,アンフノトレーニングを必要とする知識グラフ(KG)における推論に対する驚くほど単純かつ正確なアプローチを提案する。 ソースエンティティとバイナリ関係が与えられたターゲットエンティティを見つけるタスクを考えてみましょう。 我々の非パラメトリックなアプローチは、与えられた関係を通して類似したソースエンティティを接続する複数のテキストトグラフパスパターンを見つけることによって、クエリ毎にクレープな論理ルールを導出します。
  論文  参考訳（メタデータ） (2020-06-25T06:28:09Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。