論文の概要: An OOD Multi-Task Perspective for Link Prediction with New Relation Types and Nodes

• arxiv url: http://arxiv.org/abs/2307.06046v1
• Date: Wed, 12 Jul 2023 09:49:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-13 13:29:26.648387
• Title: An OOD Multi-Task Perspective for Link Prediction with New Relation Types and Nodes
• Title（参考訳）: 新しい関係型とノードを用いたリンク予測のためのOODマルチタスク視点
• Authors: Jincheng Zhou, Beatrice Bevilacqua, Bruno Ribeiro
• Abstract要約: 二重交換可能性理論(ノードと関係型)を用いたOODリンク予測手法を提案する。 実世界のデータセットに対する我々の結果は、我々のアプローチが追加情報にアクセスすることなく、テストにおいて全く新しい関係型に効果的に一般化できることを実証している。
• 参考スコア（独自算出の注目度）: 10.328007946040875
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The task of inductive link prediction in (discrete) attributed multigraphs infers missing attributed links (relations) between nodes in new test multigraphs. Traditional relational learning methods face the challenge of limited generalization to OOD test multigraphs containing both novel nodes and novel relation types not seen in training. Recently, under the only assumption that all relation types share the same structural predictive patterns (single task), Gao et al. (2023) proposed an OOD link prediction method using the theoretical concept of double exchangeability (for nodes & relation types), in contrast to the (single) exchangeability (only for nodes) used to design Graph Neural Networks (GNNs). In this work we further extend the double exchangeability concept to multi-task double exchangeability, where we define link prediction in attributed multigraphs that can have distinct and potentially conflicting predictive patterns for different sets of relation types (multiple tasks). Our empirical results on real-world datasets demonstrate that our approach can effectively generalize to entirely new relation types in test, without access to additional information, yielding significant performance improvements over existing methods.
• Abstract（参考訳）: 多重グラフの帰納的リンク予測のタスクは、新しいテストマルチグラフにおけるノード間の帰納的リンク(関係)の欠如を推論する。 従来のリレーショナルラーニング手法は、新しいノードとトレーニングで見られない新しいリレーショナルタイプの両方を含むOODテストマルチグラフへの限定的な一般化の課題に直面している。 近年、全ての関係型が同じ構造的予測パターン(単一タスク)を共有しているという前提の下で、Gaoら(2023)は、グラフニューラルネットワーク(GNN)の設計に使用される(単一)交換可能性(ノードのみ)とは対照的に、二重交換可能性(ノードと関係型)の理論的概念を用いたOODリンク予測手法を提案した。 本研究は、二重交換可能性の概念をマルチタスクの二重交換性へと拡張し、異なる関係型(複数タスク)の集合に対して異なる、潜在的に矛盾する予測パターンを持つ属性付き多重グラフにおけるリンク予測を定義する。 実世界のデータセットに対する実験結果から、我々のアプローチは、追加情報にアクセスせずに、テストにおいて全く新しい関係型に効果的に一般化できることが示され、既存の手法よりも大幅に性能が向上した。

関連論文リスト

• Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
  拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。 本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。 提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
  論文  参考訳（メタデータ） (2024-09-13T02:23:55Z)
• Multi-Relational Graph Neural Network for Out-of-Domain Link Prediction [12.475382123139024]
  本稿では,領域外一般化問題に対処するため,GOODと呼ばれる新しいグラフニューラルネットワークモデルを提案する。 GOODは、既知の関係タイプから予測を効果的に一般化し、最先端の結果を得ることができる。
  論文  参考訳（メタデータ） (2024-03-17T18:08:22Z)
• Leveraging Diffusion Disentangled Representations to Mitigate Shortcuts in Underspecified Visual Tasks [92.32670915472099]
  拡散確率モデル(DPM)を用いた合成カウンターファクトの生成を利用したアンサンブルの多様化フレームワークを提案する。 拡散誘導型分散化は,データ収集を必要とする従来の手法に匹敵するアンサンブル多様性を達成し,ショートカットからの注意を回避できることを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:37:52Z)
• Towards Few-shot Inductive Link Prediction on Knowledge Graphs: A Relational Anonymous Walk-guided Neural Process Approach [49.00753238429618]
  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。
  論文  参考訳（メタデータ） (2023-06-26T12:02:32Z)
• Double Equivariance for Inductive Link Prediction for Both New Nodes and New Relation Types [9.018115686042133]
  この研究は、ノードアイデンティティとエッジ関係型の双方の置換に同値な二重置換同変表現の概念を定義する。 両等価なアーキテクチャが、異なるKGドメインで事前訓練を自己監督し、新しいKGドメインでゼロショット予測リンクを作成できることを示す。 提案するモデルが,新しい実世界のベンチマークのセット上で,ベースラインに対して有効であることを実証的に示す。
  論文  参考訳（メタデータ） (2023-02-02T18:39:30Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• 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)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。