論文の概要: Toward Degree Bias in Embedding-Based Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2302.05044v1
• Date: Fri, 10 Feb 2023 04:14:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-13 16:38:29.987109
• Title: Toward Degree Bias in Embedding-Based Knowledge Graph Completion
• Title（参考訳）: 埋め込み型知識グラフ補完におけるDegree Biasに向けて
• Authors: Harry Shomer, Wei Jin, Wentao Wang, Jiliang Tang
• Abstract要約: 偏差は、低次ノードの表現不足を学習することでグラフアルゴリズムに影響を与える可能性がある。 本稿では,埋め込み型知識グラフにおける次数バイアスの存在を検証し,次数バイアスの要因を同定する。 そこで我々は,そのバイアスを軽減するために合成三重項を生成する新しいデータ拡張手法であるKG-Mixupを導入する。
• 参考スコア（独自算出の注目度）: 37.270356897629675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fundamental task for knowledge graphs (KGs) is knowledge graph completion (KGC). It aims to predict unseen edges by learning representations for all the entities and relations in a KG. A common concern when learning representations on traditional graphs is degree bias. It can affect graph algorithms by learning poor representations for lower-degree nodes, often leading to low performance on such nodes. However, there has been limited research on whether there exists degree bias for embedding-based KGC and how such bias affects the performance of KGC. In this paper, we validate the existence of degree bias in embedding-based KGC and identify the key factor to degree bias. We then introduce a novel data augmentation method, KG-Mixup, to generate synthetic triples to mitigate such bias. Extensive experiments have demonstrated that our method can improve various embedding-based KGC methods and outperform other methods tackling the bias problem on multiple benchmark datasets.
• Abstract（参考訳）: 知識グラフの基本的なタスクは知識グラフ補完(KGC)である。 KG内のすべての実体と関係の表現を学習することで、目に見えないエッジを予測することを目的としている。 伝統的なグラフで表現を学ぶ際の共通の関心事は次数バイアスである。 低次ノードの表現の貧弱さを学習することでグラフアルゴリズムに影響を与える可能性がある。 しかし, 埋込型KGCには次数バイアスが存在するか, あるいはそのようなバイアスがKGCの性能に与える影響について, 限定的な研究がなされている。 本稿では,埋め込み型kgcにおける次数バイアスの存在を検証し,次数バイアスの鍵となる要因を特定する。 次に,このバイアスを軽減するために合成三重項を生成する新しいデータ拡張手法KG-Mixupを導入する。 大規模な実験により,本手法は様々な組込み型KGC法を改良し,複数のベンチマークデータセットのバイアス問題に対処する他の手法より優れていることが示された。

関連論文リスト

• Gradformer: Graph Transformer with Exponential Decay [69.50738015412189]
  グラフ変換器(GT)の自己保持機構は、グラフの帰納バイアス、特に構造に関するバイアスを見落としている。 本稿では,GTと本質的帰納バイアスを革新的に統合するGradformerを提案する。 GradformerはグラフニューラルネットワークやGTベースラインモデルよりも、さまざまなグラフ分類や回帰タスクにおいて一貫して優れています。
  論文  参考訳（メタデータ） (2024-04-24T08:37:13Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Understanding Community Bias Amplification in Graph Representation Learning [22.522798932536038]
  本稿では,グラフ表現学習におけるコミュニティバイアス増幅現象について検討する。 本稿では,Random Graph Coarsening Contrastive Learningと呼ばれる新しいグラフコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-08T07:43:05Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• Mitigating Relational Bias on Knowledge Graphs [51.346018842327865]
  マルチホップバイアスを同時に緩和し,知識グラフにおけるエンティティとリレーションの近接情報を保存するフレームワークであるFair-KGNNを提案する。 ジェンダー占有とナショナリティ・サリーバイアスを軽減するために,2つの最先端KGNNモデル(RCCNとCompGCN)を組み込んだFair-KGNNの2例を開発した。
  論文  参考訳（メタデータ） (2022-11-26T05:55:34Z)
• Uncovering the Structural Fairness in Graph Contrastive Learning [87.65091052291544]
  グラフコントラスト学習(GCL)は、ノード表現を学習するための有望な自己教師型アプローチとして登場した。 GCL法で得られた表現は,GCN法で学習した表現よりも既に公平であることを示す。 我々は、低次ノードと高次ノードに異なる戦略を適用し、GRAph contrastive learning for Degree bias (GRADE)と呼ばれるグラフ拡張手法を考案した。
  論文  参考訳（メタデータ） (2022-10-06T15:58:25Z)
• KRACL: Contrastive Learning with Graph Context Modeling for Sparse Knowledge Graph Completion [37.92814873958519]
  知識グラフ埋め込み (KGE) は、エンティティと関係を低次元空間にマッピングすることを目的としており、知識グラフ補完のためのテキストファクト標準となっている。 既存のKGE手法の多くは、知識グラフの頻度が低いエンティティを予測しにくいため、スパーシティの課題に悩まされている。 グラフコンテキストとコントラスト学習を用いて,KGの広がりを緩和する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-08-16T09:17:40Z)
• Adversarial Learning for Debiasing Knowledge Graph Embeddings [9.53284633479507]
  社会的・文化的偏見は、異なる集団や少数民族に有害な結果をもたらす可能性がある。 本稿では,知識グラフ(KG)の埋め込みにおいて,そのようなバイアスを識別し緩和することを目的とする。 我々は、FAN(Filtering Adversarial Network)と呼ばれる、KG埋め込みから機密属性情報をフィルタリングする新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2020-06-29T18:36:15Z)
• Knowledge Embedding Based Graph Convolutional Network [35.35776808660919]
  本稿では,知識埋め込みに基づくグラフ畳み込みネットワーク(KE-GCN)という新しいフレームワークを提案する。 KE-GCNはグラフベースの信念伝播におけるグラフ畳み込みネットワーク(GCN)のパワーと高度な知識埋め込み手法の強みを組み合わせたものである。 理論的解析により、KE-GCNはいくつかのよく知られたGCN法のエレガントな統一を具体例として示している。
  論文  参考訳（メタデータ） (2020-06-12T17:12:51Z)

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。