Fugu-MT 論文翻訳(概要): PubGraph: A Large-Scale Scientific Knowledge Graph

論文の概要: PubGraph: A Large-Scale Scientific Knowledge Graph

arxiv url: http://arxiv.org/abs/2302.02231v2
Date: Fri, 19 May 2023 04:56:47 GMT
ステータス: 処理完了
システム内更新日: 2023-05-22 19:06:03.304091
Title: PubGraph: A Large-Scale Scientific Knowledge Graph
Title（参考訳）: PubGraph: 大規模科学知識グラフ
Authors: Kian Ahrabian, Xinwei Du, Richard Delwin Myloth, Arun Baalaaji Sankar Ananthan, Jay Pujara
Abstract要約: PubGraphは、大規模な知識グラフの形式を取り入れた、科学的進歩を研究するための新しいリソースである。 PubGraphはWikidata、OpenAlex、Semantic Scholarなど、さまざまなソースからのデータを包括的に統合している。知識グラフ補完のコアタスクとしてPubGraphから抽出した大規模ベンチマークを複数作成する。
参考スコア（独自算出の注目度）: 11.240833731512609
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Research publications are the primary vehicle for sharing scientific progress in the form of new discoveries, methods, techniques, and insights. Unfortunately, the lack of a large-scale, comprehensive, and easy-to-use resource capturing the myriad relationships between publications, their authors, and venues presents a barrier to applications for gaining a deeper understanding of science. In this paper, we present PubGraph, a new resource for studying scientific progress that takes the form of a large-scale knowledge graph (KG) with more than 385M entities, 13B main edges, and 1.5B qualifier edges. PubGraph is comprehensive and unifies data from various sources, including Wikidata, OpenAlex, and Semantic Scholar, using the Wikidata ontology. Beyond the metadata available from these sources, PubGraph includes outputs from auxiliary community detection algorithms and large language models. To further support studies on reasoning over scientific networks, we create several large-scale benchmarks extracted from PubGraph for the core task of knowledge graph completion (KGC). These benchmarks present many challenges for knowledge graph embedding models, including an adversarial community-based KGC evaluation setting, zero-shot inductive learning, and large-scale learning. All of the aforementioned resources are accessible at https://pubgraph.isi.edu/ and released under the CC-BY-SA license. We plan to update PubGraph quarterly to accommodate the release of new publications.
Abstract（参考訳）: 研究出版物は、新しい発見、方法、技術、洞察の形で科学的進歩を共有するための主要な手段である。残念ながら、出版物、著者、会場間の無数の関係を捉えた大規模で包括的で使いやすいリソースが欠如していることは、科学をより深く理解するための応用への障壁となっている。本稿では,385万以上のエンティティ,13Bの主エッジ,1.5Bの等化エッジを持つ大規模知識グラフ(KG)の形式を取り入れた,科学的進歩を研究するための新たなリソースPubGraphを提案する。 PubGraphはWikidata、OpenAlex、Semantic Scholarなど、さまざまなソースからのデータをWikidataオントロジーを使って包括的に統合している。これらのソースから利用可能なメタデータ以外にも、PubGraphは補助的なコミュニティ検出アルゴリズムと大規模言語モデルからの出力を含んでいる。科学ネットワーク上の推論研究をさらに支援するために,知識グラフ補完(KGC)のコアタスクとしてPubGraphから抽出した大規模ベンチマークを複数作成する。これらのベンチマークは、逆コミュニティベースのkgc評価設定、ゼロショットインダクティブ学習、大規模学習など、知識グラフ埋め込みモデルに対する多くの課題を示している。上記のリソースはすべてhttps://pubgraph.isi.edu/でアクセスでき、CC-BY-SAライセンスでリリースされている。新しい出版物のリリースに対応するため、PubGraphを四半期毎に更新する予定です。

関連論文リスト

Can Large Language Models Analyze Graphs like Professionals? A Benchmark, Datasets and Models [90.98855064914379]
グラフを処理するために,大規模言語モデル(LLM)のベンチマークであるProGraphを導入する。その結果,現在のLCMの性能は不満足であり,最高のモデルでは36%の精度しか達成できないことがわかった。本研究では,6つの広く使用されているグラフライブラリに基づいて,クローリングされたドキュメントと自動生成コードを含むLLM4Graphデータセットを提案する。
論文参考訳（メタデータ） (2024-09-29T11:38:45Z)
OAG-Bench: A Human-Curated Benchmark for Academic Graph Mining [46.27513006781531]
OAG-BenchはOpen Academic Graph (OAG)をベースにした、包括的で、多面的で、きめ細かい人為的なベンチマークである。 OAG-Benchは10のタスク、20のデータセット、70以上のベースライン、120以上の実験結果をカバーする。
論文参考訳（メタデータ） (2024-02-24T13:15:54Z)
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)
Universal Knowledge Graph Embeddings [4.322134229203427]
本稿では,大規模知識源からユニバーサル知識グラフの埋め込みを学習することを提案する。私たちはDBpediaとWikidataをベースとした普遍的な埋め込みを、約1億5000万のエンティティ、1500万のリレーション、120億のトリプルで計算することで、私たちのアイデアをインスタンス化します。
論文参考訳（メタデータ） (2023-10-23T13:07:46Z)
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)
The Semantic Scholar Open Data Platform [79.4493235243312]
セマンティック・スカラー(Semantic Scholar、S2)は、学術文献の発見と理解を支援することを目的としたオープンデータプラットフォームおよびウェブサイトである。我々は、学術的なPDFコンテンツ抽出と知識グラフの自動構築のための最先端技術を用いて、パブリックおよびプロプライエタリなデータソースを組み合わせる。このグラフには、構造解析されたテキスト、自然言語要約、ベクトル埋め込みなどの高度な意味的特徴が含まれている。
論文参考訳（メタデータ） (2023-01-24T17:13:08Z)
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)
Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文参考訳（メタデータ） (2022-12-08T11:53:12Z)
A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and Open Resource [87.7460720701592]
本稿では, この分野における公式定義, 評価, 開発について紹介する。ディープグラフクラスタリング手法の分類は,グラフタイプ,ネットワークアーキテクチャ,学習パラダイム,クラスタリング手法など,4つの異なる基準に基づいて提示される。コンピュータビジョン、自然言語処理、レコメンデーションシステム、ソーシャルネットワーク分析、バイオインフォマティクス、医学を含む6分野におけるディープグラフクラスタリング手法の適用について述べる。
論文参考訳（メタデータ） (2022-11-23T11:31:11Z)
DIG: A Turnkey Library for Diving into Graph Deep Learning Research [39.58666190541479]
DIG: Dive into Graphsは研究指向のライブラリで、いくつかの高度なタスクで共通のグラフ深層学習アルゴリズムを統合および統合しています。それぞれの方向に対して、データインターフェース、共通アルゴリズム、評価メトリクスの統合実装を提供します。
論文参考訳（メタデータ） (2021-03-23T15:05:10Z)
GraphGen: A Scalable Approach to Domain-agnostic Labeled Graph Generation [5.560715621814096]
グラフ生成モデルは、データマイニングの文献で広く研究されている。最近の技術は、データから直接この分布を学習する方向に移行している。本研究では、これらの制限をすべて克服するために、GraphGenと呼ばれるドメインに依存しないテクニックを開発します。
論文参考訳（メタデータ） (2020-01-22T18:07:43Z)

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。