論文の概要: Few-shot Link Prediction on N-ary Facts
- arxiv url: http://arxiv.org/abs/2305.06104v2
- Date: Fri, 22 Sep 2023 14:34:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 19:06:40.960449
- Title: Few-shot Link Prediction on N-ary Facts
- Title(参考訳): n-ary事実のマイナショットリンク予測
- Authors: Jiyao Wei, Saiping Guan, Xiaolong Jin, Jiafeng Guo, and Xueqi Cheng
- Abstract要約: n-ary 事実のリンク予測は、n-ary 事実の欠落要素を予測することである。
本稿では,n-ary 事実に関する新しいタスク,少数ショットリンク予測を提案する。
ラベル付きインスタンスに制限のあるn-aryファクトにおいて、欠落したエンティティを予測することを目的としている。
- 参考スコア(独自算出の注目度): 70.8150181683017
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: N-ary facts composed of a primary triple (head entity, relation, tail entity)
and an arbitrary number of auxiliary attribute-value pairs, are prevalent in
real-world knowledge graphs (KGs). Link prediction on n-ary facts is to predict
a missing element in an n-ary fact. This helps populate and enrich KGs and
further promotes numerous downstream applications. Previous studies usually
require a substantial amount of high-quality data to understand the elements in
n-ary facts. However, these studies overlook few-shot relations, which have
limited labeled instances, yet are common in real-world scenarios. Thus, this
paper introduces a new task, few-shot link prediction on n-ary facts. It aims
to predict a missing entity in an n-ary fact with limited labeled instances. We
further propose a model for Few-shot Link prEdict on N-ary facts, thus called
FLEN, which consists of three modules: the relation learning, support-specific
adjusting, and query inference modules. FLEN captures relation meta information
from limited instances to predict a missing entity in a query instance. To
validate the effectiveness of FLEN, we construct three datasets based on
existing benchmark data. Our experimental results show that FLEN significantly
outperforms existing related models in both few-shot link prediction on n-ary
facts and binary facts.
- Abstract(参考訳): 実世界知識グラフ(kgs)では、一次三重項(ヘッドエンティティ、リレーションエンティティ、テールエンティティ)と任意の数の補助属性値ペアからなるn項事実が一般的である。
n-項事実のリンク予測は、n-項事実の欠落要素を予測することである。
これはkgの投入と濃縮に役立ち、さらに多くの下流アプリケーションを促進する。
先行研究は通常、n-ary事実の要素を理解するためにかなりの量の高品質なデータを必要とする。
しかし、これらの研究は、ラベル付きインスタンスが限定されている少数のショットの関係を見落としているが、現実のシナリオでは一般的である。
そこで本稿では,n-ary 事実に対する新しいタスク,n-shot リンク予測を提案する。
ラベル付きインスタンスに制限のあるn-aryファクトで欠落したエンティティを予測することを目的としている。
さらに,N-ary 事実に基づく Few-shot Link prEdict モデルを提案する。FLEN は関係学習,サポート特化調整,クエリ推論モジュールの3つのモジュールから構成される。
flenはリレーショナルメタ情報を限定インスタンスからキャプチャし、クエリインスタンス内の行方不明エンティティを予測する。
FLENの有効性を検証するため,既存のベンチマークデータに基づく3つのデータセットを構築した。
実験の結果, FLEN は n-ary 事実と二項事実の連関予測において, 既存の関連モデルよりも有意に優れていた。
関連論文リスト
- Measuring and Improving Attentiveness to Partial Inputs with
Counterfactuals [95.5442607785241]
我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。
CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。
実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
論文 参考訳(メタデータ) (2023-11-16T06:27:35Z) - Revisiting Link Prediction: A Data Perspective [61.52668130971441]
グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。
既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。
我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
論文 参考訳(メタデータ) (2023-10-01T21:09:59Z) - FactKB: Generalizable Factuality Evaluation using Language Models
Enhanced with Factual Knowledge [37.2179237007464]
本稿では,ドメイン間で一般化可能なファクトリティー評価手法であるFactKBを提案する。
本稿では, 直接実体事実に基づく補完的事実事前学習の目的, 実体に関する補助的知識に基づく事実, 知識ベースウォークを通じて構成的に構築された事実の3つの種類を紹介する。
結果の事実性評価モデルは、2つのドメイン内ニュース要約ベンチマークと3つのドメイン外科学文献データセットに対して、最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-05-14T23:58:05Z) - 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) - Towards Better Document-level Relation Extraction via Iterative
Inference [29.62043809208398]
文書レベルの関係抽出(RE)は、入力文書からエンティティ間の関係を抽出することを目的としている。
本稿では,反復推論を用いた新しい文書レベルのREモデルを提案する。
3つの一般的なデータセットの実験結果から、我々のモデルは、他の競争ベースラインよりも一貫して優れています。
論文 参考訳(メタデータ) (2022-11-26T03:57:34Z) - Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。
各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。
実験結果は,提案手法の有効性と有用性を検証した。
論文 参考訳(メタデータ) (2021-04-21T09:06:54Z) - 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。