論文の概要: Improving Few-Shot Inductive Learning on Temporal Knowledge Graphs using
Confidence-Augmented Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2304.00613v1
- Date: Sun, 2 Apr 2023 20:05:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 17:13:52.590908
- Title: Improving Few-Shot Inductive Learning on Temporal Knowledge Graphs using
Confidence-Augmented Reinforcement Learning
- Title(参考訳): 信頼強化型強化学習を用いた時間知識グラフのファウショット帰納学習の改善
- Authors: Zifeng Ding, Jingpei Wu, Zongyue Li, Yunpu Ma, Volker Tresp
- Abstract要約: TKGCは、時間的knwoledge graph(TKG)におけるエンティティ間の欠落リンクを予測することを目的としている。
近年,TKG数発アウトオブグラフ(OOG)リンク予測という新たなタスクが提案されている。
本稿では,この課題を解決するために,少数ショット学習と強化学習を組み合わせたTKGC法FITCARLを提案する。
- 参考スコア(独自算出の注目度): 24.338098716004485
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal knowledge graph completion (TKGC) aims to predict the missing links
among the entities in a temporal knwoledge graph (TKG). Most previous TKGC
methods only consider predicting the missing links among the entities seen in
the training set, while they are unable to achieve great performance in link
prediction concerning newly-emerged unseen entities. Recently, a new task,
i.e., TKG few-shot out-of-graph (OOG) link prediction, is proposed, where TKGC
models are required to achieve great link prediction performance concerning
newly-emerged entities that only have few-shot observed examples. In this work,
we propose a TKGC method FITCARL that combines few-shot learning with
reinforcement learning to solve this task. In FITCARL, an agent traverses
through the whole TKG to search for the prediction answer. A policy network is
designed to guide the search process based on the traversed path. To better
address the data scarcity problem in the few-shot setting, we introduce a
module that computes the confidence of each candidate action and integrate it
into the policy for action selection. We also exploit the entity concept
information with a novel concept regularizer to boost model performance.
Experimental results show that FITCARL achieves stat-of-the-art performance on
TKG few-shot OOG link prediction.
- Abstract(参考訳): 時間知識グラフ補完(TKGC)は、時間的knwoledge graph(TKG)におけるエンティティ間の欠落したリンクを予測することを目的としている。
従来のtkgc法は、トレーニングセットに見られるエンティティ間の欠落リンクの予測しか考慮していないが、新しい未発見のエンティティに関するリンク予測において大きな性能を達成できない。
近年,新たなタスクであるoogリンク予測が提案されている。tkgcモデルでは,少数の観測例しか持たない新たに出現したエンティティについて,高いリンク予測性能を実現する必要がある。
本研究では,この課題を解決するために,少数ショット学習と強化学習を組み合わせたTKGC手法FITCARLを提案する。
FITCARLでは、エージェントがTKG全体を横切り、予測応答を検索する。
ポリシネットワークは、トラバースされたパスに基づいて検索プロセスを導くように設計されている。
数ショット設定におけるデータ不足問題に対処するため、各候補アクションの信頼性を計算し、アクション選択のポリシーに統合するモジュールを導入する。
また、エンティティ概念情報を新しい概念正規化器で活用し、モデル性能を向上させる。
実験の結果, fitcarl は tkg 数発 oog リンクの予測において stat-of-the-art 性能を達成した。
関連論文リスト
- Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。
設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。
5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
論文 参考訳(メタデータ) (2024-03-15T12:00:12Z) - Path-based Explanation for Knowledge Graph Completion [17.541247786437484]
GNNベースの知識グラフ補完モデルの結果に対する適切な説明は、モデルの透明性を高める。
KGCタスクを説明するための既存のプラクティスは、インスタンス/サブグラフベースのアプローチに依存している。
我々は、GNNベースのモデルを探索する最初のパスベースのKGC説明器であるPower-Linkを提案する。
論文 参考訳(メタデータ) (2024-01-04T14:19:37Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳(メタデータ) (2023-08-03T07:00:04Z) - NeuSTIP: A Novel Neuro-Symbolic Model for Link and Time Prediction in
Temporal Knowledge Graphs [13.442923127130806]
本稿では,時間的知識グラフにおけるリンク予測と時間間隔予測を行う新しい時間的ニューロシンボリックモデルNeuSTIPを提案する。
NeuSTIPは、隣接する述語間の時間的一貫性を保証するアレン述語の存在下で時間的規則を学習する。
2つの時間間隔に基づくデータセットに対する実験的な評価は、リンク予測と時間間隔予測の両方において、我々のモデルが最先端のモデルより優れていることを示唆している。
論文 参考訳(メタデータ) (2023-05-15T13:46:34Z) - Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph
Completion [69.55700751102376]
FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。
既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。
本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
論文 参考訳(メタデータ) (2023-04-17T11:42:28Z) - Few-Shot Inductive Learning on Temporal Knowledge Graphs using
Concept-Aware Information [31.10140298420744]
時間的知識グラフ(TKG)のための数発のアウト・オブ・グラフ(OOG)リンク予測タスクを提案する。
メタラーニングフレームワークを用いて、未知のエンティティに関するリンクから、欠落したエンティティを予測する。
我々のモデルは3つのデータセットすべてにおいて優れた性能を達成する。
論文 参考訳(メタデータ) (2022-11-15T14:23:07Z) - Learning Meta Representations of One-shot Relations for Temporal
Knowledge Graph Link Prediction [33.36701435886095]
近年,静的知識グラフ(KG)のリレーショナル学習が注目されている。
TKGには豊富な時間情報が含まれており、モデリングには時間的推論技術が必要である。
これは、時間的文脈で少数のショットの関係を学ぶ上で大きな課題となる。
論文 参考訳(メタデータ) (2022-05-21T15:17:52Z) - Revisiting Neighborhood-based Link Prediction for Collaborative
Filtering [3.7403495150710384]
協調フィルタリングはレコメンデーションシステムにおいて最も成功し基礎的な手法の1つである。
両部グラフの新しいリンク(接続性)スコアを提案し、複数の標準リンク予測手法を一般化する。
提案手法は,既存のGNNベースのCFアプローチを,広く使用されている4つのベンチマークで大幅に上回っている。
論文 参考訳(メタデータ) (2022-03-29T17:48:05Z) - Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。
本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
論文 参考訳(メタデータ) (2021-08-16T04:20:09Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳(メタデータ) (2021-02-14T03:21:36Z) - Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。
単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。
慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
論文 参考訳(メタデータ) (2021-02-05T21:04:31Z)
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。