Fugu-MT 論文翻訳(概要): Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction

論文の概要: Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction

arxiv url: http://arxiv.org/abs/2309.11528v2
Date: Sun, 24 Mar 2024 10:27:10 GMT
ステータス: 処理完了
システム内更新日: 2024-03-27 03:07:37.038645
Title: Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction
Title（参考訳）: 帰納的リンク予測のための関係関係の完全なトポロジ-アウェア相関の学習
Authors: Jie Wang, Hanzhu Chen, Qitan Lv, Zhihao Shi, Jiajun Chen, Huarui He, Hongtao Xie, Yongdong Zhang, Feng Wu,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 97.91714896039421
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Inductive link prediction -- where entities during training and inference stages can be different -- has shown great potential for completing evolving knowledge graphs in an entity-independent manner. Many popular methods mainly focus on modeling graph-level features, while the edge-level interactions -- especially the semantic correlations between relations -- have been less explored. However, we notice a desirable property of semantic correlations between relations is that they are inherently edge-level and entity-independent. This implies the great potential of the semantic correlations for the entity-independent inductive link prediction task. Inspired by this observation, we propose a novel subgraph-based method, namely TACO, to model Topology-Aware COrrelations between relations that are highly correlated to their topological structures within subgraphs. Specifically, we prove that semantic correlations between any two relations can be categorized into seven topological patterns, and then proposes Relational Correlation Network (RCN) to learn the importance of each pattern. To further exploit the potential of RCN, we propose Complete Common Neighbor induced subgraph that can effectively preserve complete topological patterns within the subgraph. Extensive experiments demonstrate that TACO effectively unifies the graph-level information and edge-level interactions to jointly perform reasoning, leading to a superior performance over existing state-of-the-art methods for the inductive link prediction task.
Abstract（参考訳）: インダクティブリンク予測 -- トレーニング中のエンティティと推論段階が異なる場合 -- は、エンティティに依存しない方法で進化する知識グラフを完了させる大きな可能性を示している。多くの一般的な手法はグラフレベルの特徴のモデリングに重点を置いているが、エッジレベルの相互作用、特に関係のセマンティックな相関は研究されていない。しかし、関係間の意味的相関の望ましい性質は、それらが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に気付く。これは、エンティティに依存しない帰納的リンク予測タスクに対する意味的相関の大きな可能性を意味する。本研究は, グラフ内のトポロジ構造と高い相関関係を持つ関係関係のトポロジ・アウェア・コレーションをモデル化するための, 新たなサブグラフベース手法であるTACOを提案する。具体的には,2つの関係間の意味的相関を7つのトポロジ的パターンに分類できることを証明し,各パターンの重要性を学習するために関係相関ネットワーク(RCN)を提案する。 RCN のポテンシャルをさらに活用するために,この部分グラフ内の完全なトポロジカルパターンを効果的に保存できる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。大規模な実験により、TACOはグラフレベル情報とエッジレベル相互作用を効果的に統一し、推論を共同で行うことが示され、帰納的リンク予測タスクの既存の最先端手法よりも優れた性能が得られる。

関連論文リスト

Document-Level Relation Extraction with Relation Correlation Enhancement [10.684005956288347]
ドキュメントレベルの関係抽出(DocRE)は、ドキュメント内のエンティティ間の関係を識別することに焦点を当てたタスクである。既存のDocREモデルは、しばしば関係関係の相関を見落とし、関係関係の定量的分析を欠いている。本稿では,関係間の相互依存を明示的に活用することを目的とした関係グラフ手法を提案する。
論文参考訳（メタデータ） (2023-10-06T10:59:00Z)
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)
Document-level Relation Extraction with Relation Correlations [15.997345900917058]
文書レベルの関係抽出は,長期問題と複数ラベル問題という,見落とされた2つの課題に直面している。関係の共起相関を解析し,DocREタスクに初めて導入する。
論文参考訳（メタデータ） (2022-12-20T11:17:52Z)
Relation-dependent Contrastive Learning with Cluster Sampling for Inductive Relation Prediction [30.404149577013595]
帰納的関係予測のための関係依存型コントラスト学習(ReCoLe)を導入する。 GNNベースのエンコーダはコントラスト学習によって最適化され、ロングテール関係における良好な性能が保証される。実験結果から、ReCoLeは一般的に使用される帰納的データセット上で最先端の手法より優れていることが示唆された。
論文参考訳（メタデータ） (2022-11-22T13:30:49Z)
On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
論文参考訳（メタデータ） (2022-06-09T16:24:01Z)
Topology-Aware Correlations Between Relations for Inductive Link Prediction in Knowledge Graphs [41.38172189254483]
TACTは、2つの関係間の意味的相関がそれらのトポロジカルナレッジグラフと非常に相関しているという観測に触発される。関係対を複数のトポロジ的パターンに分類し、相関ネットワーク(RCN)の構造を提案し、帰納的リンク予測における異なるパターンの重要性を学習する。実験では、TACTが関係間のセマンティック相関を効果的にモデル化し、ベンチマークデータセット上の既存の最先端の方法を大幅に上回ることが示されています。
論文参考訳（メタデータ） (2021-03-05T13:00:10Z)
Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
論文参考訳（メタデータ） (2020-10-21T11:07:53Z)
High-order Semantic Role Labeling [86.29371274587146]
本稿では,ニューラルセマンティックロールラベリングモデルのための高階グラフ構造を提案する。これにより、モデルは孤立述語-引数対だけでなく、述語-引数対間の相互作用も明示的に考慮することができる。 CoNLL-2009ベンチマークの7つの言語に対する実験結果から、高次構造学習技術は強力なSRLモデルに有益であることが示された。
論文参考訳（メタデータ） (2020-10-09T15:33:54Z)
Learning Relation Ties with a Force-Directed Graph in Distant Supervised Relation Extraction [39.73191604776768]
関係関係は、異なる関係間の相関関係と相互排除として定義されるが、遠方の教師付き関係抽出には重要である。既存のアプローチは、局所的な依存関係を丁寧に学習することで、この特性をモデル化する。本稿では,関係関係を包括的に学習する,力によるグラフに基づく関係抽出モデルを提案する。
論文参考訳（メタデータ） (2020-04-21T14:41:38Z)

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。