論文の概要: Towards Few-shot Inductive Link Prediction on Knowledge Graphs: A Relational Anonymous Walk-guided Neural Process Approach

• arxiv url: http://arxiv.org/abs/2307.01204v1
• Date: Mon, 26 Jun 2023 12:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-09 13:40:08.441429
• Title: Towards Few-shot Inductive Link Prediction on Knowledge Graphs: A Relational Anonymous Walk-guided Neural Process Approach
• Title（参考訳）: 知識グラフのインダクティブリンク予測に向けて--リレーショナル匿名ウォーク誘導ニューラルプロセスアプローチ
• Authors: Zicheng Zhao, Linhao Luo, Shirui Pan, Quoc Viet Hung Nguyen, Chen Gong
• Abstract要約: 知識グラフ上のインダクティブリンク予測は,少数ショットリンクを観測した未確認エンティティのリンク不足を予測することを目的としている。 近年の帰納的手法は、目に見えない実体を取り巻く部分グラフを用いて意味情報を取得し、リンクを誘導的に予測する。 本稿では,知識グラフ上の数ショットの帰納的リンク予測をRawNPと表記する,新しいリレーショナル匿名型歩行誘導ニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 49.00753238429618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot inductive link prediction on knowledge graphs (KGs) aims to predict missing links for unseen entities with few-shot links observed. Previous methods are limited to transductive scenarios, where entities exist in the knowledge graphs, so they are unable to handle unseen entities. Therefore, recent inductive methods utilize the sub-graphs around unseen entities to obtain the semantics and predict links inductively. However, in the few-shot setting, the sub-graphs are often sparse and cannot provide meaningful inductive patterns. In this paper, we propose a novel relational anonymous walk-guided neural process for few-shot inductive link prediction on knowledge graphs, denoted as RawNP. Specifically, we develop a neural process-based method to model a flexible distribution over link prediction functions. This enables the model to quickly adapt to new entities and estimate the uncertainty when making predictions. To capture general inductive patterns, we present a relational anonymous walk to extract a series of relational motifs from few-shot observations. These motifs reveal the distinctive semantic patterns on KGs that support inductive predictions. Extensive experiments on typical benchmark datasets demonstrate that our model derives new state-of-the-art performance.
• Abstract（参考訳）: 知識グラフ(KGs)上のインダクティブリンク予測は,少数ショットリンクを観測した未確認エンティティの欠落リンクを予測することを目的としている。 従来の方法は、知識グラフにエンティティが存在するトランスダクティブなシナリオに限定されているので、見当たらないエンティティを処理できない。 したがって、近年の帰納的手法は、目に見えない実体を取り巻く部分グラフを用いてセマンティクスを取得し、リンクを誘導的に予測する。 しかし、少ないショット設定では、サブグラフはしばしばスパースであり、意味のあるインダクティブパターンを提供できない。 本稿では,知識グラフ上の数発の帰納的リンク予測をRawNPと表記する,リレーショナルな匿名歩行誘導型ニューラルプロセスを提案する。 具体的には,リンク予測関数上の柔軟な分布をモデル化するニューラルプロセスに基づく手法を提案する。 これにより、モデルが新しいエンティティに迅速に適応し、予測を行う際の不確実性を見積もることができる。 一般的な帰納的パターンを捉えるために,数発の観測から一連の関係モチーフを抽出する関係匿名ウォークを提案する。 これらのモチーフは、帰納的予測をサポートするKGの特異な意味パターンを明らかにする。 典型的なベンチマークデータセットに対する大規模な実験は、我々のモデルが新しい最先端のパフォーマンスを導き出すことを示した。

関連論文リスト

• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
  グラフニューラルネットワーク(GNN)は、モデル精度を高めるために帰納バイアスとしてリレーショナル情報を使用する。 課題関連関係が不明なため,下流予測タスクを解きながら学習するためのグラフ構造学習手法が提案されている。
  論文  参考訳（メタデータ） (2024-05-30T10:49:22Z)
• Inductive Link Prediction in Knowledge Graphs using Path-based Neural Networks [1.3735277588793995]
  SiaILPは、シアムニューラルネットワークを用いたインダクティブリンク予測のためのパスベースモデルである。 WN18RR, FB15k-237, Nell995 のインダクティブバージョンを用いて, リンク予測タスクにおいて, 新たな最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-12-16T02:26:09Z)
• Generative Graph Neural Networks for Link Prediction [13.643916060589463]
  欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。 本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。 リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
  論文  参考訳（メタデータ） (2022-12-31T10:07:19Z)
• Subgraph-aware Few-Shot Inductive Link Prediction via Meta-Learning [16.288230150590046]
  数ショットの帰納的関係推論のためのメタラーナーMeta-iKGを提案する。 モデルは、インダクティブな設定を持つ少数の既知の事実を使用して、素早く少数の関係に適応できる。
  論文  参考訳（メタデータ） (2021-07-26T11:56:18Z)
• 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)
• Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
  グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。 本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。 モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
  論文  参考訳（メタデータ） (2020-10-01T17:51:19Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。