論文の概要: Extending Transductive Knowledge Graph Embedding Models for Inductive
Logical Relational Inference
- arxiv url: http://arxiv.org/abs/2309.03773v1
- Date: Thu, 7 Sep 2023 15:24:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 12:27:44.534505
- Title: Extending Transductive Knowledge Graph Embedding Models for Inductive
Logical Relational Inference
- Title(参考訳): 帰納的論理関係推論のための帰納的知識グラフ埋め込みモデルの拡張
- Authors: Thomas Gebhart and John Cobb
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.5439020425819
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many downstream inference tasks for knowledge graphs, such as relation
prediction, have been handled successfully by knowledge graph embedding
techniques in the transductive setting. To address the inductive setting
wherein new entities are introduced into the knowledge graph at inference time,
more recent work opts for models which learn implicit representations of the
knowledge graph through a complex function of a network's subgraph structure,
often parametrized by graph neural network architectures. These come at the
cost of increased parametrization, reduced interpretability and limited
generalization to other downstream inference tasks. In this work, we bridge the
gap between traditional transductive knowledge graph embedding approaches and
more recent inductive relation prediction models by introducing a generalized
form of harmonic extension which leverages representations learned through
transductive embedding methods to infer representations of new entities
introduced at inference time as in the inductive setting. This harmonic
extension technique provides the best such approximation, can be implemented
via an efficient iterative scheme, and can be employed to answer a family of
conjunctive logical queries over the knowledge graph, further expanding the
capabilities of transductive embedding methods. In experiments on a number of
large-scale knowledge graph embedding benchmarks, we find that this approach
for extending the functionality of transductive knowledge graph embedding
models to perform knowledge graph completion and answer logical queries in the
inductive setting is competitive with--and in some scenarios
outperforms--several state-of-the-art models derived explicitly for such
inductive tasks.
- Abstract(参考訳): 知識グラフに対する多くの下流推論タスク、例えば関係予測は、トランスダクティブセッティングにおける知識グラフ埋め込み技術によってうまく処理されてきた。
推論時に知識グラフに新しいエンティティが導入された帰納的設定に対処するため、より最近の研究は、グラフニューラルネットワークアーキテクチャによってしばしばパラメータ化されるネットワークのサブグラフ構造の複雑な関数を通して知識グラフの暗黙的な表現を学ぶモデルを選択する。
これらはパラメトリゼーションの増加、解釈可能性の低減、他の下流の推論タスクへの一般化の制限といったコストを伴っている。
本稿では,従来の帰納的知識グラフ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橋渡しし,帰納的埋め込み法で学習した表現を帰納的設定のように推論時に導入された新しい実体の表現を推論するために活用する調和拡張の一般化形式を導入する。
この高調波拡張手法は、そのような最適近似を提供し、効率的な反復スキームによって実装することができ、知識グラフ上の連結論理的クエリの族に答えることができ、さらにトランスダクティブ埋め込み法の能力を拡大することができる。
大規模ナレッジグラフ埋め込みベンチマーク実験では,知識グラフ補完と論理クエリをインダクティブ設定で実行するために,トランスダクティブナレッジグラフ埋め込みモデルの機能を拡張するためのこのアプローチが,そのインダクティブなタスクで明示的に導出される最先端モデルよりも優れており,いくつかのシナリオでは競合していることがわかった。
関連論文リスト
- 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) - From Latent to Lucid: Transforming Knowledge Graph Embeddings into Interpretable Structures [2.6451388057494283]
本稿では,知識グラフ埋め込みモデルに適したポストホックな説明可能なAI手法を提案する。
本手法は,知識グラフ埋め込みモデルによって符号化された潜在表現を直接デコードする。
類似した埋め込みエンティティのサブグラフ近傍の異なる構造を識別することにより、これらの知見を人間の理解可能な象徴的ルールや事実に変換する。
論文 参考訳(メタデータ) (2024-06-03T19:54:11Z) - Rethinking Dimensional Rationale in Graph Contrastive Learning from Causal Perspective [15.162584339143239]
グラフコントラスト学習(Graph contrastive learning)は、グラフの様々な摂動から不変情報を捉えるのに優れた一般的な学習パラダイムである。
最近の研究は、グラフから構造的理性を探究することに集中し、不変情報の識別可能性を高める。
本稿では,学習可能な次元理性獲得ネットワークと冗長性低減制約を導入した,次元理性対応グラフコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2023-12-16T10:05:18Z) - Graph Condensation for Inductive Node Representation Learning [59.76374128436873]
マッピング対応グラフ凝縮法(MCond)を提案する。
MCondは、帰納的表現学習のための合成グラフに新しいノードを統合する。
Redditデータセットでは、最大121.5倍の推論スピードアップと55.9倍のストレージ要求の削減を実現している。
論文 参考訳(メタデータ) (2023-07-29T12:11:14Z) - 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) - Message Intercommunication for Inductive Relation Reasoning [49.731293143079455]
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。
論文 参考訳(メタデータ) (2023-05-23T13:51:46Z) - 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) - Knowledge Sheaves: A Sheaf-Theoretic Framework for Knowledge Graph
Embedding [1.5469452301122175]
知識グラフの埋め込みは, トポロジカル言語, カテゴリー言語で自然に表現されていることを示す。
知識グラフの埋め込みは、グラフ上の適切なテクスチャ知識棚の近似グローバルセクションとして記述することができる。
結果として得られる埋め込みは、特別な訓練をせずに合成関係の推論に容易に適応できる。
論文 参考訳(メタデータ) (2021-10-07T20:54:40Z) - Quantifying Challenges in the Application of Graph Representation
Learning [0.0]
私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。
実世界のグラフ特性に関する表現力を評価する。
GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
論文 参考訳(メタデータ) (2020-06-18T03:19:43Z) - 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) - 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。