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/2302.01313v7
- Date: Thu, 14 Dec 2023 06:01:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-16 05:19:44.219528
- 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: この研究は、ノードアイデンティティとエッジ関係型の双方の置換に同値な二重置換同変表現の概念を定義する。
両等価なアーキテクチャが、異なるKGドメインで事前訓練を自己監督し、新しいKGドメインでゼロショット予測リンクを作成できることを示す。
提案するモデルが,新しい実世界のベンチマークのセット上で,ベースラインに対して有効であることを実証的に示す。
- 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 knowledge graphs (KGs) 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 concept of double
permutation-equivariant representations that are equivariant to permutations of
both node identities and edge relation types. We then show how
double-equivariant architectures are able to self-supervise pre-train on
distinct KG domains and zero-shot predict links on a new KG domain (with
completely new entities and new relation types). 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 proposed models against baselines on a set of novel real-world benchmarks.
More interestingly, we show that self-supervised pre-training on more KG
domains increases the zero-shot ability of our model to predict on new relation
types over new entities on unseen KG domains.
- Abstract（参考訳）: 知識グラフ(KGs)における帰納的リンク予測の課題は、一般に、新しいノードと新しい関係型の両方ではなく、単に新しいノードによるテスト予測に焦点を当てている。
本研究では,ノードの同一性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正式に定義する。
次に、異なるKGドメイン上のプレトレインと新しいKGドメイン上のゼロショット予測リンク(全く新しいエンティティと新しいリレーショナルタイプ)を自己監督することができるかを示す。
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、新しい実世界のベンチマークのセット上で、ベースラインに対して提案したモデルの有効性を実証的に示す。
より興味深いことに、より多くのkgドメインでの自己教師付き事前トレーニングは、我々のモデルのゼロショット能力を高め、未認識のkgドメイン上の新しいエンティティよりも新しい関係型を予測できることを示しています。
関連論文リスト
- 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) - 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) - 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) - 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)
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。