論文の概要: Knowledge Graph Completion with Counterfactual Augmentation
- arxiv url: http://arxiv.org/abs/2302.13083v1
- Date: Sat, 25 Feb 2023 14:08:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 19:07:50.329726
- Title: Knowledge Graph Completion with Counterfactual Augmentation
- Title（参考訳）: 対実的拡張による知識グラフ補完
- Authors: Heng Chang, Jie Cai, Jia Li
- Abstract要約: 我々は,「実体の近傍が観察と異なるものになったら,その関係は存在するのか?」という反事実的疑問を提起する。
知識グラフ上の因果モデルを慎重に設計し,その疑問に答える反事実関係を生成する。
我々は、KGs上のGNNベースのフレームワークと作成した対物関係を組み込んで、エンティティペア表現の学習を増強する。
- 参考スコア（独自算出の注目度）: 23.20561746976504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) have demonstrated great success in Knowledge
Graph Completion (KGC) by modeling how entities and relations interact in
recent years. However, most of them are designed to learn from the observed
graph structure, which appears to have imbalanced relation distribution during
the training stage. Motivated by the causal relationship among the entities on
a knowledge graph, we explore this defect through a counterfactual question:
"would the relation still exist if the neighborhood of entities became
different from observation?". With a carefully designed instantiation of a
causal model on the knowledge graph, we generate the counterfactual relations
to answer the question by regarding the representations of entity pair given
relation as context, structural information of relation-aware neighborhood as
treatment, and validity of the composed triplet as the outcome. Furthermore, we
incorporate the created counterfactual relations with the GNN-based framework
on KGs to augment their learning of entity pair representations from both the
observed and counterfactual relations. Experiments on benchmarks show that our
proposed method outperforms existing methods on the task of KGC, achieving new
state-of-the-art results. Moreover, we demonstrate that the proposed
counterfactual relations-based augmentation also enhances the interpretability
of the GNN-based framework through the path interpretations of predictions.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は近年,エンティティと関係の相互作用をモデル化することによって,知識グラフ補完(KGC)において大きな成功を収めている。
しかし、そのほとんどは、訓練段階で不均衡な関係分布を持つように見える観察されたグラフ構造から学ぶように設計されている。
知識グラフ上のエンティティ間の因果関係によって動機づけられた我々は、この欠陥を「エンティティの近傍が観察と異なる場合、その関係は存在するのか?」という反ファクト的な質問を通して探求する。
知識グラフ上の因果モデルを慎重に設計したインスタンス化により、コンテキストとしてのエンティティペアの表現、治療としての関係認識近傍の構造情報、結果としての合成三重項の妥当性について、応答する反事実関係を生成する。
さらに、KGs上のGNNベースのフレームワークと作成した対物関係を組み込んで、観測された対物関係と対物関係の両方から実体対表現の学習を増強する。
ベンチマーク実験の結果,提案手法が既存の手法よりも優れており,新たな結果が得られた。
さらに,提案手法は,予測の経路解釈を通じて,GNNベースのフレームワークの解釈可能性を高めることを実証する。
関連論文リスト
- Introducing Diminutive Causal Structure into Graph Representation Learning [19.132025125620274]
本稿では,グラフニューラルネット(GNN)が専門的な最小の因果構造から洞察を得ることを可能にする新しい手法を提案する。
本手法は,これらの小型因果構造のモデル表現から因果知識を抽出する。
論文 参考訳（メタデータ） (2024-06-13T00:18:20Z) - Relating-Up: Advancing Graph Neural Networks through Inter-Graph Relationships [17.978546172777342]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学ぶのに優れています。
彼らの成功にもかかわらず、GNNはグラフ間の関係のコンテキストを無視して制限される。
本稿では,グラフ間の関係を利用してGNNを強化するプラグイン・アンド・プレイモジュールであるRelating-Upを紹介する。
論文 参考訳（メタデータ） (2024-05-07T02:16:54Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - zrLLM: Zero-Shot Relational Learning on Temporal Knowledge Graphs with Large Language Models [33.10218179341504]
埋め込み型TKGF法において,大規模言語モデルを用いて関係表現を生成する。
本稿では,TKGFモデルが従来見つからなかった関係で事実を予測する上で,より優れた性能を実現する上で有効であることを示す。
論文 参考訳（メタデータ） (2023-11-15T21:25:15Z) - Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。
本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。
RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文 参考訳（メタデータ） (2023-09-20T08:11:58Z) - Message Intercommunication for Inductive Relation Reasoning [49.731293143079455]
我々はMINESと呼ばれる新しい帰納的関係推論モデルを開発した。
隣り合う部分グラフにメッセージ通信機構を導入する。
我々の実験は、MINESが既存の最先端モデルより優れていることを示している。
論文 参考訳（メタデータ） (2023-05-23T13:51:46Z) - Topology-Aware Correlations Between Relations for Inductive Link
Prediction in Knowledge Graphs [41.38172189254483]
TACTは、2つの関係間の意味的相関がそれらのトポロジカルナレッジグラフと非常に相関しているという観測に触発される。
関係対を複数のトポロジ的パターンに分類し、相関ネットワーク(RCN)の構造を提案し、帰納的リンク予測における異なるパターンの重要性を学習する。
実験では、TACTが関係間のセマンティック相関を効果的にモデル化し、ベンチマークデータセット上の既存の最先端の方法を大幅に上回ることが示されています。
論文 参考訳（メタデータ） (2021-03-05T13:00:10Z) - RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。
二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。
理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文 参考訳（メタデータ） (2021-01-25T13:31:29Z) - Learning to Decouple Relations: Few-Shot Relation Classification with
Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。
一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。
一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
論文 参考訳（メタデータ） (2020-10-21T11:07:53Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。