論文の概要: Generative Knowledge Graph Construction: A Review

• arxiv url: http://arxiv.org/abs/2210.12714v3
• Date: Mon, 18 Sep 2023 16:56:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 01:20:31.376616
• Title: Generative Knowledge Graph Construction: A Review
• Title（参考訳）: 生成的知識グラフ構築:レビュー
• Authors: Hongbin Ye, Ningyu Zhang, Hui Chen, Huajun Chen
• Abstract要約: ジェネレーティブ・ナレッジグラフ構築(Generative Knowledge Graph Construction, KGC)は、知識グラフを構築するためのシーケンス・ツー・シーケンス・フレームワークを利用する手法である。 本研究では,最近のジェネレーティブ・ナレッジグラフ構築の進歩を要約する。
• 参考スコア（独自算出の注目度）: 45.88566692056405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Knowledge Graph Construction (KGC) refers to those methods that leverage the sequence-to-sequence framework for building knowledge graphs, which is flexible and can be adapted to widespread tasks. In this study, we summarize the recent compelling progress in generative knowledge graph construction. We present the advantages and weaknesses of each paradigm in terms of different generation targets and provide theoretical insight and empirical analysis. Based on the review, we suggest promising research directions for the future. Our contributions are threefold: (1) We present a detailed, complete taxonomy for the generative KGC methods; (2) We provide a theoretical and empirical analysis of the generative KGC methods; (3) We propose several research directions that can be developed in the future.
• Abstract（参考訳）: 生成的知識グラフ構築(英: Generative Knowledge Graph Construction, KGC)とは、知識グラフを構築するためのシーケンス・ツー・シーケンス・フレームワークを利用する手法である。 本研究では,最近の生成知識グラフ構築の進歩を要約する。 我々は,各パラダイムの利点と弱点を,異なる世代目標の観点から提示し,理論的洞察と実証分析を提供する。 このレビューに基づいて,将来に向けて有望な研究の方向性を提案する。 我々は,(1)生成型kgc法に関する詳細な,完全な分類法,(2)生成型kgc法の理論的,経験的分析,(3)将来開発可能ないくつかの研究方向を提案する。

関連論文リスト

• Few-shot Learning on Heterogeneous Graphs: Challenges, Progress, and Prospects [7.682496639660342]
  ヘテロジニアスグラフ(FLHG)でのショットラーニングは、学術と産業の両方から注目を集めている。 FLHGは、限られた注釈付きデータに直面したパフォーマンス劣化に対処することを目的としている。 本稿では,既存のFLHG手法を概観し,課題,研究の進展,今後の展望について述べる。
  論文  参考訳（メタデータ） (2024-03-10T00:43:36Z)
• Unifying Generation and Prediction on Graphs with Latent Graph Diffusion [24.505897569096476]
  グラフ学習タスクを各レベルのタスクで解くための,最初のフレームワークを提案する。 まず、回帰を含む予測タスクを一般的な(条件付き)生成フレームワークに分類する。 次に、各カテゴリのノード、エッジ、グラフレベルの特徴を同時に生成できる生成モデルであるLatent Graph Diffusion (LGD)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:03:47Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• 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 node embeddings via summary graphs: a brief theoretical analysis [55.25628709267215]
  グラフ表現学習は多くのグラフマイニングアプリケーションにおいて重要な役割を果たすが、大規模なグラフの埋め込みを学習することは依然として問題である。 最近の研究は、グラフの要約(つまり、より小さな要約グラフへの埋め込みを学習し、元のグラフのノード埋め込みを復元することでスケーラビリティを向上させる。 本稿では,導入したカーネル行列に基づく3つの特定の埋め込み学習手法について,詳細な理論的解析を行う。
  論文  参考訳（メタデータ） (2022-07-04T04:09:50Z)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。 グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• Deep Graph Contrastive Representation Learning [23.37786673825192]
  ノードレベルでの対照的な目的を生かして,教師なしグラフ表現学習のための新しいフレームワークを提案する。 具体的には,この2つのビューにおけるノード表現の一致を最大化することにより,ノード表現の破損と学習によって2つのグラフビューを生成する。 我々は,様々な実世界のデータセットを用いて,帰納的および帰納的学習タスクの実証実験を行った。
  論文  参考訳（メタデータ） (2020-06-07T11:50:45Z)

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。