論文の概要: Inductive Knowledge Graph Completion with GNNs and Rules: An Analysis

• arxiv url: http://arxiv.org/abs/2308.07942v1
• Date: Mon, 14 Aug 2023 21:01:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-17 16:03:31.602561
• Title: Inductive Knowledge Graph Completion with GNNs and Rules: An Analysis
• Title（参考訳）: GNNとルールによる帰納的知識グラフの補完:分析
• Authors: Akash Anil, V\'ictor Guti\'errez-Basulto, Yazm\'in Iba\~n\'ez-Garc\'ia, Steven Schockaert
• Abstract要約: ルールベース手法はグラフニューラルネットワーク(GNN)に基づく最先端手法を著しく上回る 本稿では,前述の問題に対処することを目的としたルールベースアプローチのバリエーションについて検討する。 その結果,NBFNetに近い性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 15.56445409535547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The task of inductive knowledge graph completion requires models to learn inference patterns from a training graph, which can then be used to make predictions on a disjoint test graph. Rule-based methods seem like a natural fit for this task, but in practice they significantly underperform state-of-the-art methods based on Graph Neural Networks (GNNs), such as NBFNet. We hypothesise that the underperformance of rule-based methods is due to two factors: (i) implausible entities are not ranked at all and (ii) only the most informative path is taken into account when determining the confidence in a given link prediction answer. To analyse the impact of these factors, we study a number of variants of a rule-based approach, which are specifically aimed at addressing the aforementioned issues. We find that the resulting models can achieve a performance which is close to that of NBFNet. Crucially, the considered variants only use a small fraction of the evidence that NBFNet relies on, which means that they largely keep the interpretability advantage of rule-based methods. Moreover, we show that a further variant, which does look at the full KG, consistently outperforms NBFNet.
• Abstract（参考訳）: 帰納的知識グラフ完成のタスクでは、モデルがトレーニンググラフから推論パターンを学習する必要がある。 ルールベースの手法はこのタスクに適しているように見えるが、実際にはNBFNetのようなグラフニューラルネットワーク(GNN)に基づく最先端の手法を著しく過小評価している。 我々は,ルールベース手法の過小評価は2つの要因によると仮定する。 (i)不可解な実体が全くランク付けされていないこと 2)所定のリンク予測回答の信頼度を決定する際に、最も情報性の高い経路のみを考慮する。 これらの要因の影響を分析するために,上記の問題に対処することを目的としたルールベースのアプローチのバリエーションについて検討する。 その結果,NBFNetに近い性能が得られることがわかった。 重要な点として、考慮されている変種は、NBFNetが依存している証拠のごく一部しか使用していない。 さらに、完全なKGに目を向けたさらなる変種が、一貫してNBFNetを上回っていることを示す。

関連論文リスト

• Improving the interpretability of GNN predictions through conformal-based graph sparsification [9.550589670316523]
  グラフニューラルネットワーク(GNN)は、グラフ分類タスクの解決において最先端のパフォーマンスを達成した。 エッジやノードを除去することで,最も予測可能なサブグラフを見つけるGNNエンハンチング手法を提案する。 我々は、共形予測に基づく報奨関数で得られる二段階最適化を解決するために強化学習を頼りにしている。
  論文  参考訳（メタデータ） (2024-04-18T17:34:47Z)
• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
  本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。 本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。 DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
  論文  参考訳（メタデータ） (2023-10-23T05:51:59Z)
• When Do We Need Graph Neural Networks for Node Classification? [38.68793097833027]
  グラフニューラルネットワーク(GNN)は基本ニューラルネットワーク(NN)を拡張する 場合によっては、GNNのパフォーマンスは向上せず、グラフに依存しないNNの性能も低くなる。
  論文  参考訳（メタデータ） (2022-10-30T23:10:23Z)
• Neural Structured Prediction for Inductive Node Classification [29.908759584092167]
  本稿では,ラベル付き学習グラフのモデルを学習し,未ラベルの試験グラフ上でノードラベルを推論するために一般化することを目的とした,帰納的環境におけるノード分類について検討する。 本稿では,両者の利点を組み合わせたSPN(Structured Proxy Network)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-15T15:50:27Z)
• Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
  TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
  論文  参考訳（メタデータ） (2022-01-14T09:04:46Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Towards a Rigorous Theoretical Analysis and Evaluation of GNN Explanations [25.954303305216094]
  本稿では,最新のGNN説明法を理論的に解析し,評価し,比較するための最初の公理的枠組みを提案する。 我々はこれらの特性を利用して、最先端のGNN説明法の有効性を初めて理論的に解析した。
  論文  参考訳（メタデータ） (2021-06-16T18:38:30Z)
• 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)
• Towards an Efficient and General Framework of Robust Training for Graph Neural Networks [96.93500886136532]
  グラフニューラルネットワーク(GNN)は、いくつかの基本的な推論タスクに大きく進歩している。 GNNの目覚ましい性能にもかかわらず、グラフ構造上の摂動を慎重に作り、誤った予測を下すことが観察されている。 我々は,強靭なGNNを得るために,欲求探索アルゴリズムとゼロ階法を利用する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-25T15:17:58Z)

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。