論文の概要: Few-shot Link Prediction on N-ary Facts

• arxiv url: http://arxiv.org/abs/2305.06104v3
• Date: Tue, 2 Apr 2024 07:11:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 13:41:51.209801
• Title: Few-shot Link Prediction on N-ary Facts
• Title（参考訳）: N-ary FactsのFew-shot Link Prediction
• Authors: Jiyao Wei, Saiping Guan, Xiaolong Jin, Jiafeng Guo, Xueqi Cheng,
• Abstract要約: ハイパーリレーショナル・ファクト(LPHFs)のリンク予測は、ハイパーリレーショナル・事実の欠落要素を予測することである。 Few-Shot Link Prediction on Hyper-Relational Facts (PHFs) は、サポートインスタンスが限定されたハイパーリレーショナルな事実において、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: Hyper-relational facts, which consist of a primary triple (head entity, relation, tail entity) and auxiliary attribute-value pairs, are widely present in real-world Knowledge Graphs (KGs). Link Prediction on Hyper-relational Facts (LPHFs) is to predict a missing element in a hyper-relational fact, which helps populate and enrich KGs. However, existing LPHFs studies usually require an amount of high-quality data. They overlook few-shot relations, which have limited instances, yet are common in real-world scenarios. Thus, we introduce a new task, Few-Shot Link Prediction on Hyper-relational Facts (FSLPHFs). It aims to predict a missing entity in a hyper-relational fact with limited support instances. To tackle FSLPHFs, we propose MetaRH, a model that learns Meta Relational information in Hyper-relational facts. MetaRH comprises three modules: relation learning, support-specific adjustment, and query inference. By capturing meta relational information from limited support instances, MetaRH can accurately predict the missing entity in a query. As there is no existing dataset available for this new task, we construct three datasets to validate the effectiveness of MetaRH. Experimental results on these datasets demonstrate that MetaRH significantly outperforms existing representative models.
• Abstract（参考訳）: 主三重項(頭、関係、尾の実体)と副属性-値のペアからなる超関係事実は、現実世界の知識グラフ(KG)に広く存在している。 Link Prediction on Hyper-Relational Facts (LPHFs) は、高関係性事実の欠落要素を予測し、KGの蓄積と濃縮を支援する。 しかしながら、既存のLPHFの研究は通常、高品質なデータを必要とする。 限られたインスタンスを持つ数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。 そこで我々は,新たなタスクであるFew-Shot Link Prediction on Hyper-Relational Facts (FSLPHFs)を導入する。 サポートインスタンスが限定されたハイパーリレーショナルな事実において、不足するエンティティを予測することを目的としている。 FSLPHFに対処するため,ハイパーリレーショナルな事実からメタリレーショナルな情報を学ぶモデルであるMetaRHを提案する。 MetaRHは、関係学習、サポート固有の調整、クエリ推論の3つのモジュールから構成される。 限られたサポートインスタンスからメタリレーショナル情報をキャプチャすることで、MetaRHはクエリで欠けているエンティティを正確に予測できる。 新しいタスクには既存のデータセットがないため、MetaRHの有効性を検証するために3つのデータセットを構築します。 これらのデータセットに対する実験結果から、MetaRHは既存の代表モデルよりも大幅に優れていることが示された。

関連論文リスト

• UniHR: Hierarchical Representation Learning for Unified Knowledge Graph Link Prediction [41.46369433488762]
  統一知識グラフリンク予測のための階層表現学習フレームワーク(UniHR)を提案する。 階層型データ表現(HiDR)モジュールと,グラフエンコーダとしての階層型構造学習(HiSL)モジュールで構成される。 我々は,1種類のKGをベースラインとして設計したUniHRよりも優れた性能を示し,HiDR形式の強力な一般化能力とHiSLモジュールの有効性を示した。
  論文  参考訳（メタデータ） (2024-11-11T14:22:42Z)
• HyperMono: A Monotonicity-aware Approach to Hyper-Relational Knowledge Representation [27.28214706269035]
  ハイパーリレーショナル・ナレッジグラフ(HKG)では、各事実は属性値の修飾子に関連する主三重からなり、追加の事実知識が表現される。 本稿では,ハイパーリレーショナル知識グラフ補完のためのHyperMonoモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T15:00:17Z)
• 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)
• A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach [59.89749342550104]
  本稿では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。 既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。 テーブル充填手法に着想を得た立方体充填モデルであるCubeREを提案する。
  論文  参考訳（メタデータ） (2022-11-18T03:51:28Z)
• Learning Representations for Hyper-Relational Knowledge Graphs [35.380689788802776]
  複数のアグリゲータを用いて超関係事実の表現を学習するフレームワークを設計する。 実験では、複数のデータセットにまたがるフレームワークの有効性を実証した。 フレームワークにおける各種コンポーネントの重要性を検証するためのアブレーション研究を行っている。
  論文  参考訳（メタデータ） (2022-08-30T15:02:14Z)
• 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)
• Message Passing for Hyper-Relational Knowledge Graphs [7.733963597282456]
  本稿では,このようなハイパーリレーショナルな知識グラフをモデル化可能なメッセージパッシンググラフエンコーダであるStarEを提案する。 StarEは、任意の数の付加情報(修飾子)を主三重項と共に符号化し、修飾子と三重項の意味的役割をそのまま保持することができる。 実験により、StarEベースのLPモデルは、複数のベンチマークで既存のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-09-22T22:38:54Z)
• Type-augmented Relation Prediction in Knowledge Graphs [65.88395564516115]
  本稿では,タイプ情報とインスタンスレベルの情報の両方を関係予測に適用するタイプ拡張関係予測(TaRP)手法を提案する。 提案手法は,4つのベンチマークデータセット上での最先端手法よりも高い性能を実現する。
  論文  参考訳（メタデータ） (2020-09-16T21:14:18Z)

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。