論文の概要: A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal

• arxiv url: http://arxiv.org/abs/2212.05767v7
• Date: Sat, 22 Jul 2023 13:05:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 00:21:39.375963
• Title: A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal
• Title（参考訳）: グラフ型に関する知識グラフ推論に関する調査:静的,動的,マルチモーダル
• Authors: Ke Liang, Lingyuan Meng, Meng Liu, Yue Liu, Wenxuan Tu, Siwei Wang, Sihang Zhou, Xinwang Liu, Fuchun Sun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.8455911689554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph reasoning (KGR), aiming to deduce new facts from existing facts based on mined logic rules underlying knowledge graphs (KGs), has become a fast-growing research direction. It has been proven to significantly benefit the usage of KGs in many AI applications, such as question answering, recommendation systems, and etc. According to the graph types, existing KGR models can be roughly divided into three categories, i.e., static models, temporal models, and multi-modal models. Early works in this domain mainly focus on static KGR, and recent works try to leverage the temporal and multi-modal information, which are more practical and closer to real-world. However, no survey papers and open-source repositories comprehensively summarize and discuss models in this important direction. To fill the gap, we conduct a first survey for knowledge graph reasoning tracing from static to temporal and then to multi-modal KGs. Concretely, the models are reviewed based on bi-level taxonomy, i.e., top-level (graph types) and base-level (techniques and scenarios). Besides, the performances, as well as datasets, are summarized and presented. Moreover, we point out the challenges and potential opportunities to enlighten the readers. The corresponding open-source repository is shared on GitHub https://github.com/LIANGKE23/Awesome-Knowledge-Graph-Reasoning.
• Abstract（参考訳）: 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,既存の事実から新たな事実を推論することを目的として,急速に発展する研究方向となっている。 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。 グラフの種類により、既存のkgrモデルは、静的モデル、時間モデル、マルチモーダルモデルという3つのカテゴリに大まかに分類することができる。 この領域の初期の研究は主に静的kgrに焦点を当てており、最近の研究はより実用的で実世界に近い時間的およびマルチモーダルな情報を利用することを試みている。 しかし、この重要な方向へのモデルを包括的に要約し、議論する調査論文やオープンソースリポジトリは存在しない。 このギャップを埋めるために、我々は、静的から時間的、そしてマルチモーダルなKGをトレースする知識グラフの最初の調査を行う。 具体的には、2レベル分類、すなわちトップレベル(グラフタイプ)とベースレベル(技術とシナリオ)に基づいてモデルをレビューする。 さらに、パフォーマンス、およびデータセットが要約され、提示されます。 さらに,読者を啓蒙する上での課題や可能性についても指摘する。 対応するオープンソースリポジトリはGitHub https://github.com/LIANGKE23/Awesome-Knowledge-Graph-Reasoningで共有されている。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Graph Domain Adaptation: Challenges, Progress and Prospects [61.9048172631524]
  本稿では,グラフ間の効果的な知識伝達パラダイムとしてグラフ領域適応を提案する。 GDAは、ソースグラフとしてタスク関連のグラフを多数導入し、ソースグラフから学習した知識をターゲットグラフに適応させる。 研究状況と課題について概説し、分類学を提案し、代表作の詳細を紹介し、今後の展望について論じる。
  論文  参考訳（メタデータ） (2024-02-01T02:44:32Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Exploring Large Language Models for Knowledge Graph Completion [17.139056629060626]
  我々は知識グラフのトリプルをテキストシーケンスとみなし、知識グラフLLMと呼ばれる革新的なフレームワークを導入する。 提案手法では,三重項の実体的記述と関係的記述をプロンプトとして利用し,その応答を予測に利用する。 種々のベンチマーク知識グラフを用いた実験により,三重分類や関係予測といったタスクにおいて,本手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-08-26T16:51:17Z)
• GSHOT: Few-shot Generative Modeling of Labeled Graphs [44.94210194611249]
  少数ショットグラフ生成モデリングの未探索パラダイムについて紹介する。 グラフ生成モデリングのためのフレームワークであるGSHOTを開発した。 GSHOTは、セルフペースの微調整を通じて、目に見えないグラフデータセットに適応する。
  論文  参考訳（メタデータ） (2023-06-06T08:03:18Z)
• Counterfactual Learning on Graphs: A Survey [34.47646823407408]
  グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。 グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。 グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な手法が提案されている。
  論文  参考訳（メタデータ） (2023-04-03T21:42:42Z)
• Knowledge Distillation on Graphs: A Survey [43.60992916277081]
  グラフ上の知識蒸留(KDG)は、より小さいが効果的なモデルを構築し、データからより多くの知識を活用するために導入された。 我々は、KDGの課題と基盤を紹介し、KDGの既存の成果を分類し、要約する。
  論文  参考訳（メタデータ） (2023-02-01T03:51:05Z)
• 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)
• A Survey of Pretraining on Graphs: Taxonomy, Methods, and Applications [38.57023440288189]
  我々は、事前学習グラフモデル(PGM)に関する最初の包括的調査を提供する。 まず、グラフ表現学習の限界を示し、グラフ事前学習のモチベーションを導入する。 次に,PGMのソーシャルレコメンデーションおよび薬物発見への応用について述べる。
  論文  参考訳（メタデータ） (2022-02-16T07:00:52Z)
• ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
  実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。 我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。 本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
  論文  参考訳（メタデータ） (2020-04-30T14:16:19Z)

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。