論文の概要: Double Equivariance for Inductive Link Prediction for Both New Nodes and New Relation Types

• arxiv url: http://arxiv.org/abs/2302.01313v6
• Date: Tue, 3 Oct 2023 19:31:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-10-05 18:49:05.437425
• Title: Double Equivariance for Inductive Link Prediction for Both New Nodes and New Relation Types
• Title（参考訳）: 新しいノードと新しい関係型の両方のインダクティブリンク予測のための二重等価性
• Authors: Jianfei Gao, Yangze Zhou, Jincheng Zhou, Bruno Ribeiro
• Abstract要約: 本稿では,新しいノードとテスト中の新しい関係型を予測するタスクを,二重帰納的リンク予測タスクとして定義する。 本稿では、学習ノードと関係から任意に新しいテストノードと関係へと誘導的に一般化できる関係の構造的表現を課すニューラルネットワークを提案する。 提案する2つのモデルの有効性を実世界の新しいベンチマークで実証的に実証する。
• 参考スコア（独自算出の注目度）: 9.018115686042133
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The task of inductive link prediction in discrete attributed multigraphs (e.g., knowledge graphs, multilayer networks, heterogeneous networks, etc.) generally focuses on test predictions with solely new nodes but not both new nodes and new relation types. In this work, we formally define the task of predicting (completely) new nodes and new relation types in test as a doubly inductive link prediction task and introduce a theoretical framework for the solution. We start by defining the concept of double permutation-equivariant representations that are equivariant to permutations of both node identities and edge relation types. We then propose a general blueprint to design neural architectures that impose a structural representation of relations that can inductively generalize from training nodes and relations to arbitrarily new test nodes and relations without the need for adaptation, side information, or retraining. We also introduce the concept of distributionally double equivariant positional embeddings designed to perform the same task. Finally, we empirically demonstrate the capability of the two proposed models on a set of novel real-world benchmarks, showcasing average relative performance gains of $39.65\%$ on predicting new relations types compared to baselines.
• Abstract（参考訳）: 離散属性多重グラフ(知識グラフ、多層ネットワーク、異種ネットワークなど)における帰納的リンク予測のタスクは、一般に新しいノードのみによるテスト予測に焦点を当てるが、新しいノードと新しい関係型の両方ではない。 本研究では,新しいノードとテスト中の新しい関係型を二重帰納的リンク予測タスクとして予測するタスクを正式に定義し,その解に対する理論的枠組みを提案する。 まず、ノードアイデンティティとエッジ関係型の両方の置換に同値な二重置換同変表現の概念を定義する。 次に,学習ノードと関係から,適応やサイド情報やリトレーニングを必要とせずに任意に新しいテストノードと関係に誘導的に一般化できる関係構造表現を課す,ニューラルネットワークの設計のための一般的な青写真を提案する。 また、同じタスクを実行するように設計された分布二重同変位置埋め込みの概念も導入する。 最後に, 提案した2つのモデルについて, 実世界の新しいベンチマークで実証実験を行い, ベースラインよりも新しい関係型を予測する上での平均相対的性能が39.65 %$であることを示した。

関連論文リスト

• Invariance Pair-Guided Learning: Enhancing Robustness in Neural Networks [0.0]
  トレーニングフェーズを通じてニューラルネットワークを誘導する手法を提案する。 従来の勾配降下法を補完する補正勾配を形成する。 ColoredMNIST、Waterbird-100、CelebANISTデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2025-02-26T09:36:00Z)
• One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs [61.9759512646523]
  複雑なネットワークパターンをキャプチャする強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。 既存のGNNには、慎重にドメイン固有のアーキテクチャ設計と、データセットのスクラッチからのトレーニングが必要です。 我々は、新しいクロスドメイン事前学習フレームワーク「1つのグラフのための1つのモデル」を提案する。
  論文  参考訳（メタデータ） (2024-11-30T01:49:45Z)
• Co-guiding for Multi-intent Spoken Language Understanding [53.30511968323911]
  本稿では,2つのタスク間の相互指導を実現するための2段階のフレームワークを実装した,コガイドネットと呼ばれる新しいモデルを提案する。 第1段階では,単一タスクによる教師付きコントラスト学習を提案し,第2段階ではコガイドによる教師付きコントラスト学習を提案する。 マルチインテリジェントSLU実験の結果,我々のモデルは既存のモデルよりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-22T08:06:22Z)
• A Multi-Task Perspective for Link Prediction with New Relation Types and Nodes [10.350823341961185]
  追加情報にアクセスせずにマルチタスク構造でグラフをテストする手法を提案する。 実世界のデータセットに対する我々の結果は,マルチタスク構造を持つグラフを効果的に一般化できることを実証している。
  論文  参考訳（メタデータ） (2023-07-12T09:49:15Z)
• 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)
• Robust Graph Representation Learning via Predictive Coding [46.22695915912123]
  予測符号化は、当初脳の情報処理をモデル化するために開発されたメッセージパッシングフレームワークである。 本研究では,予測符号化のメッセージパス規則に依存するモデルを構築する。 提案したモデルは,帰納的タスクと帰納的タスクの両方において,標準的なモデルに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2022-12-09T03:58:22Z)
• Disconnected Emerging Knowledge Graph Oriented Inductive Link Prediction [0.0]
  我々はDECG-ILP(Disconnect Emerging Knowledge Graph Oriented Inductive Link Prediction)という新しいモデルを提案する。 CLRMは、元のKGとDECG間で共有されるグローバルな関係に基づく意味的特徴を抽出するために開発された。 モジュールGSMは、各リンク周辺の局所部分グラフトポロジ情報をKGで抽出するために提案される。
  論文  参考訳（メタデータ） (2022-09-03T10:58:24Z)
• Inductive Knowledge Graph Reasoning for Multi-batch Emerging Entities [22.88552158340435]
  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。
  論文  参考訳（メタデータ） (2022-08-22T14:59:19Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• From Canonical Correlation Analysis to Self-supervised Graph Neural Networks [99.44881722969046]
  本稿では,グラフデータを用いた自己教師付き表現学習のための概念的単純かつ効果的なモデルを提案する。 古典的カノニカル相関解析にインスパイアされた,革新的な特徴レベルの目的を最適化する。 提案手法は、7つの公開グラフデータセット上で競合的に動作する。
  論文  参考訳（メタデータ） (2021-06-23T15:55:47Z)
• GroupifyVAE: from Group-based Definition to VAE-based Unsupervised Representation Disentanglement [91.9003001845855]
  他の誘導バイアスを導入しないと、VAEベースの非監視的非絡み合いは実現できない。 グループ理論に基づく定義から導かれる制約を非確率的帰納的バイアスとして活用し,vaeに基づく教師なし不連続に対処する。 提案手法の有効性を検証するために,5つのデータセット上で,vaeベースモデルが最も目立つ1800モデルをトレーニングした。
  論文  参考訳（メタデータ） (2021-02-20T09:49:51Z)
• Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
  グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。 本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。 モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
  論文  参考訳（メタデータ） (2020-10-01T17:51:19Z)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)
• Inductive Link Prediction for Nodes Having Only Attribute Information [21.714834749122137]
  属性グラフでは、構造情報と属性情報の両方をリンク予測に利用することができる。 2つのノード埋め込みエンコーダと1つのアライメント機構からなるDEALモデルを提案する。 提案手法は,既存のインダクティブリンク予測手法よりも優れ,また,トランスダクティブリンク予測における最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2020-07-16T00:51:51Z)
• Building powerful and equivariant graph neural networks with structural message-passing [74.93169425144755]
  本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。 まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。 次に,メッセージのパラメトリゼーション手法を提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:15:16Z)
• 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)
• Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
  本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。 ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。 各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
  論文  参考訳（メタデータ） (2020-06-09T16:33:49Z)

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。