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/2302.01313v8
• Date: Tue, 14 Jan 2025 01:28:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:27:45.570528
• 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: Jincheng Zhou, Yucheng Zhang, Jianfei Gao, Yangze Zhou, Bruno Ribeiro,
• Abstract要約: 二重置換同変表現の概念を導入し,その有効性能を実証する。 二重置換同変表現に固有の制約を同定し、これらのモデルが効果的に学習する能力を制限する。 二重置換同変モデルと、すべての領域にまたがるパターンを学習するために設計された基礎モデルの概念の間には、根本的なギャップが残っている。
• 参考スコア（独自算出の注目度）: 8.585879006426497
• License:
• Abstract: The task of fully inductive link prediction in knowledge graphs has gained significant attention, with various graph neural networks being proposed to address it. This task presents greater challenges than traditional inductive link prediction tasks with only new nodes, as models must be capable of zero-shot generalization to both unseen nodes and unseen relation types in the inference graph. Despite the development of novel models, a unifying theoretical understanding of their success remains elusive, and the limitations of these methods are not well-studied. In this work, we introduce the concept of double permutation-equivariant representations and demonstrate its necessity for effective performance in this task. We show that many existing models, despite their diverse architectural designs, conform to this framework. However, we also identify inherent limitations in double permutation-equivariant representations, which restrict these models's ability to learn effectively on datasets with varying characteristics. Our findings suggest that while double equivariance is necessary for meta-learning across knowledge graphs from different domains, it is not sufficient. There remains a fundamental gap between double permutation-equivariant models and the concept of foundation models designed to learn patterns across all domains.
• Abstract（参考訳）: 知識グラフにおける完全な帰納的リンク予測の課題は注目され、それに対応するために様々なグラフニューラルネットワークが提案されている。 このタスクは、新しいノードしか持たない従来の帰納的リンク予測タスクよりも大きな課題を示す。 斬新なモデルの開発にもかかわらず、その成功に関する統一的な理論的理解はいまだ解明されておらず、これらの手法の限界は十分に研究されていない。 本稿では、二重置換同変表現の概念を導入し、その課題における効果的な性能の必要性を実証する。 さまざまなアーキテクチャ設計にもかかわらず、既存のモデルの多くが、このフレームワークに準拠していることを示す。 しかし、これらのモデルが様々な特徴を持つデータセットで効果的に学習する能力を制限するために、二重置換同変表現に固有の制限も特定する。 この結果から,知識グラフ間のメタラーニングには2つの等価性が必要であるが,それでは不十分であることが示唆された。 二重置換同変モデルと、すべての領域にまたがるパターンを学習するために設計された基礎モデルの概念の間には、根本的なギャップが残っている。

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。