論文の概要: Relational Message Passing for Fully Inductive Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2210.03994v1
• Date: Sat, 8 Oct 2022 10:35:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 17:02:51.648275
• Title: Relational Message Passing for Fully Inductive Knowledge Graph Completion
• Title（参考訳）: 完全帰納的知識グラフ補完のための関係メッセージパッシング
• Authors: Yuxia Geng, Jiaoyan Chen, Wen Zhang, Jeff Z. Pan, Mingyang Chen, Huajun Chen, Song Jiang
• Abstract要約: 知識グラフ補完(KGC)では、KG埋め込みが学習されると見つからない新しい実体や関係を含む三重項を予測することが重要な課題となっている。 メッセージパッシングによるサブグラフ推論は、有望で人気のあるソリューションである。 そこで本研究では,新しいメッセージパッシングネットワークを用いたRMPIという手法を提案する。
• 参考スコア（独自算出の注目度）: 37.29833710603933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In knowledge graph completion (KGC), predicting triples involving emerging entities and/or relations, which are unseen when the KG embeddings are learned, has become a critical challenge. Subgraph reasoning with message passing is a promising and popular solution. Some recent methods have achieved good performance, but they (i) usually can only predict triples involving unseen entities alone, failing to address more realistic fully inductive situations with both unseen entities and unseen relations, and (ii) often conduct message passing over the entities with the relation patterns not fully utilized. In this study, we propose a new method named RMPI which uses a novel Relational Message Passing network for fully Inductive KGC. It passes messages directly between relations to make full use of the relation patterns for subgraph reasoning with new techniques on graph transformation, graph pruning, relation-aware neighborhood attention, addressing empty subgraphs, etc., and can utilize the relation semantics defined in the ontological schema of KG. Extensive evaluation on multiple benchmarks has shown the effectiveness of techniques involved in RMPI and its better performance compared with the existing methods that support fully inductive KGC. RMPI is also comparable to the state-of-the-art partially inductive KGC methods with very promising results achieved. Our codes and data are available at https://github.com/zjukg/RMPI.
• Abstract（参考訳）: 知識グラフ補完(KGC)では、KG埋め込みが学習された時に見つからない新しい実体や関係を含む三重項を予測することが重要な課題となっている。 メッセージパッシングによるサブグラフ推論は、有望で人気のあるソリューションです。 最近の手法は良い成果を上げていますが (i)通常、見当たらない実体のみを含む三重項を予測でき、見当たらない実体と見当たらない関係の両方で、より現実的な完全な帰納的状況に対処できない。 (ii) 関係パターンが十分に活用されていないエンティティを渡るメッセージパッシングをしばしば行う。 本研究では,完全帰納的kgcに対して,新しいリレーショナルメッセージパッシングネットワークを用いたrmpiという新しい手法を提案する。 グラフ変換、グラフプルーニング、関係認識近傍の注意、空のサブグラフへの対処など、グラフ解析のための関係パターンをフル活用するために、関係間のメッセージを直接渡し、KGのオントロジスキーマで定義された関係セマンティクスを利用することができる。 複数のベンチマークに対する広範囲な評価により、rmpiに関連する技術の有効性と、完全なインダクティブkgcをサポートする既存の手法よりも優れた性能を示している。 RMPIは最先端の部分帰納的KGC法と同等であり、非常に有望な結果が得られる。 私たちのコードとデータはhttps://github.com/zjukg/rmpiで入手できます。

関連論文リスト

• Inference over Unseen Entities, Relations and Literals on Knowledge Graphs [1.7474352892977463]
  知識グラフ埋め込みモデルは、様々な課題に対処するために、トランスダクティブな設定でうまく適用されている。 本稿では、エンティティとリレーションのバイトペアエンコードされたサブワード単位のシーケンスから三重埋め込みを構築するための注意的バイトペアエンコーディング層(BytE)を提案する。 BytEは、知識グラフの埋め込みモデルに、エンティティやリレーションではなくサブワード単位の埋め込みを学習させるため、重み付けによる大規模な機能の再利用につながる。
  論文  参考訳（メタデータ） (2024-10-09T10:20:54Z)
• Towards Better Benchmark Datasets for Inductive Knowledge Graph Completion [34.58496513149175]
  インダクティブなKGCデータセットを構築するための現在の手順は、必然的に、利用可能なショートカットを生成します。 具体的には、パーソナライズされたPageRank(PPR)スコアが、ほとんどの帰納的データセット上で、SOTAのパフォーマンスを強く、あるいは近く達成できることを観察する。 本稿では,PPRショートカットの緩和に役立つインダクティブなKGCデータセット構築のための代替戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-14T21:01:46Z)
• 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)
• zrLLM: Zero-Shot Relational Learning on Temporal Knowledge Graphs with Large Language Models [33.10218179341504]
  埋め込み型TKGF法において,大規模言語モデルを用いて関係表現を生成する。 本稿では,TKGFモデルが従来見つからなかった関係で事実を予測する上で,より優れた性能を実現する上で有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-15T21:25:15Z)
• 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)
• 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)
• 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)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  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。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• DisenKGAT: Knowledge Graph Embedding with Disentangled Graph Attention Network [48.38954651216983]
  本稿では,知識グラフのための新しいDistangled Knowledge Graph Attention Network (DisenKGAT)を提案する。 DisenKGATは、マイクロディケンジメントとマクロディケンジメントの両方を使用して、知識グラフの背後にある表現を利用する。 私たちの仕事は、様々なスコア関数に適応する強力な堅牢性と柔軟性を持っています。
  論文  参考訳（メタデータ） (2021-08-22T04:10:35Z)
• 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。