論文の概要: Message Intercommunication for Inductive Relation Reasoning
- arxiv url: http://arxiv.org/abs/2305.14074v1
- Date: Tue, 23 May 2023 13:51:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 16:03:02.648079
- Title: Message Intercommunication for Inductive Relation Reasoning
- Title(参考訳): 帰納的関係推論のためのメッセージ通信
- Authors: Ke Liang, Lingyuan Meng, Sihang Zhou, Siwei Wang, Wenxuan Tu, Yue Liu,
Meng Liu, Xinwang Liu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 49.731293143079455
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inductive relation reasoning for knowledge graphs, aiming to infer missing
links between brand-new entities, has drawn increasing attention. The models
developed based on Graph Inductive Learning, called GraIL-based models, have
shown promising potential for this task. However, the uni-directional
message-passing mechanism hinders such models from exploiting hidden mutual
relations between entities in directed graphs. Besides, the enclosing subgraph
extraction in most GraIL-based models restricts the model from extracting
enough discriminative information for reasoning. Consequently, the expressive
ability of these models is limited. To address the problems, we propose a novel
GraIL-based inductive relation reasoning model, termed MINES, by introducing a
Message Intercommunication mechanism on the Neighbor-Enhanced Subgraph.
Concretely, the message intercommunication mechanism is designed to capture the
omitted hidden mutual information. It introduces bi-directed information
interactions between connected entities by inserting an undirected/bi-directed
GCN layer between uni-directed RGCN layers. Moreover, inspired by the success
of involving more neighbors in other graph-based tasks, we extend the
neighborhood area beyond the enclosing subgraph to enhance the information
collection for inductive relation reasoning. Extensive experiments on twelve
inductive benchmark datasets demonstrate that our MINES outperforms existing
state-of-the-art models, and show the effectiveness of our intercommunication
mechanism and reasoning on the neighbor-enhanced subgraph.
- Abstract(参考訳): 知識グラフの帰納的関係推論は,新たなエンティティ間のリンク不足を推測することを目的として,注目を集めている。
グラフインダクティブ学習に基づいて開発されたモデルは、grailベースのモデルと呼ばれ、このタスクに有望な可能性を示している。
しかし、一方向メッセージパッシング機構は、有向グラフ内のエンティティ間の隠れた相互関係を悪用することを妨げる。
さらに、ほとんどのグレールベースモデルにおける囲い込み部分グラフ抽出は、推論のために十分な識別情報を抽出することを制限している。
したがって、これらのモデルの表現能力は限られている。
この問題に対処するため, 隣り合う部分グラフにメッセージ通信機構を導入することで, MINES と呼ばれる新しい GraIL ベースの帰納的関係推論モデルを提案する。
具体的には、メッセージ間通信機構は、省略された隠れた相互情報をキャプチャするように設計されている。
双方向/双方向のgcn層を一方向のrscn層に挿入することにより、接続されたエンティティ間の双方向情報インタラクションを導入する。
さらに、他のグラフベースのタスクにより多くの隣人を巻き込むという成功に触発されて、囲い込み部分グラフを超えて近隣領域を拡張し、帰納的関係推論のための情報収集を強化する。
12個のインダクティブベンチマークデータセットに関する広範な実験は、我々の鉱山が既存の最先端モデルよりも優れており、隣り合う部分グラフにおける通信メカニズムと推論の有効性を示している。
関連論文リスト
- Graph-Augmented Relation Extraction Model with LLMs-Generated Support Document [7.0421339410165045]
本研究では,文レベルの関係抽出(RE)に対する新しいアプローチを提案する。
グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)を統合し、コンテキストに富んだサポートドキュメントを生成する。
そこで,CrossREデータセットを用いて実験を行い,本手法の有効性を実証した。
論文 参考訳(メタデータ) (2024-10-30T20:48:34Z) - 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) - Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。
この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文 参考訳(メタデータ) (2024-02-13T14:13:17Z) - 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) - Extending Transductive Knowledge Graph Embedding Models for Inductive
Logical Relational Inference [0.5439020425819]
この研究は、従来の帰納的知識グラフの埋め込みアプローチと、より最近の帰納的関係予測モデルとのギャップを埋めるものである。
本稿では,帰納的埋め込み法で学習した表現を活用して,推論時に導入された新しい実体の表現を帰納的設定で推論する一般調和拡張法を提案する。
多数の大規模知識グラフ埋め込みベンチマークの実験において、この手法は、帰納的知識グラフ埋め込みモデルの機能を拡張するためのものであり、いくつかのシナリオでは、そのような帰納的タスクのために明示的に導出される最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2023-09-07T15:24:18Z) - Knowledge Graph Completion with Counterfactual Augmentation [23.20561746976504]
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。
論文 参考訳(メタデータ) (2023-02-25T14:08:15Z) - Causally-guided Regularization of Graph Attention Improves
Generalizability [69.09877209676266]
本稿では,グラフアテンションネットワークのための汎用正規化フレームワークであるCARを紹介する。
メソッド名は、グラフ接続に対するアクティブ介入の因果効果とアテンションメカニズムを一致させる。
ソーシャル・メディア・ネットワーク規模のグラフでは、CAR誘導グラフ再構成アプローチにより、グラフの畳み込み手法のスケーラビリティとグラフの注意力の向上を両立させることができる。
論文 参考訳(メタデータ) (2022-10-20T01:29:10Z) - Entity-Conditioned Question Generation for Robust Attention Distribution
in Neural Information Retrieval [51.53892300802014]
教師付きニューラル情報検索モデルでは,通過トークンよりも疎注意パターンを学習することが困難であることを示す。
目的とする新しい合成データ生成手法を用いて、与えられた通路内の全てのエンティティに対して、より均一で堅牢な参加をニューラルIRに教える。
論文 参考訳(メタデータ) (2022-04-24T22:36:48Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳(メタデータ) (2020-02-04T08:33:49Z)
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。