論文の概要: KG-MDL: Mining Graph Patterns in Knowledge Graphs with the MDL Principle
- arxiv url: http://arxiv.org/abs/2309.12908v1
- Date: Fri, 22 Sep 2023 14:52:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 14:09:38.896821
- Title: KG-MDL: Mining Graph Patterns in Knowledge Graphs with the MDL Principle
- Title(参考訳): KG-MDL: MDL原理による知識グラフにおけるグラフパターンのマイニング
- Authors: Francesco Bariatti, Peggy Cellier, S\'ebastien Ferr\'e
- Abstract要約: 最小記述長原理に基づくグラフパターンマイニング手法を提案する。
提案手法は,人間によって解釈できるほど小さく,かつKGを記述可能なパターンの集合を生成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, increasingly more data are available as knowledge graphs (KGs).
While this data model supports advanced reasoning and querying, they remain
difficult to mine due to their size and complexity. Graph mining approaches can
be used to extract patterns from KGs. However this presents two main issues.
First, graph mining approaches tend to extract too many patterns for a human
analyst to interpret (pattern explosion). Second, real-life KGs tend to differ
from the graphs usually treated in graph mining: they are multigraphs, their
vertex degrees tend to follow a power-law, and the way in which they model
knowledge can produce spurious patterns. Recently, a graph mining approach
named GraphMDL+ has been proposed to tackle the problem of pattern explosion,
using the Minimum Description Length (MDL) principle. However, GraphMDL+, like
other graph mining approaches, is not suited for KGs without adaptations. In
this paper we propose KG-MDL, a graph pattern mining approach based on the MDL
principle that, given a KG, generates a human-sized and descriptive set of
graph patterns, and so in a parameter-less and anytime way. We report on
experiments on medium-sized KGs showing that our approach generates sets of
patterns that are both small enough to be interpreted by humans and descriptive
of the KG. We show that the extracted patterns highlight relevant
characteristics of the data: both of the schema used to create the data, and of
the concrete facts it contains. We also discuss the issues related to mining
graph patterns on knowledge graphs, as opposed to other types of graph data.
- Abstract(参考訳): 現在、知識グラフ(KG)として、より多くのデータが利用可能になっている。
このデータモデルは高度な推論とクエリをサポートしているが、サイズと複雑さのためマイニングが難しい。
グラフマイニング手法は、KGからパターンを抽出するために用いられる。
しかし、主な問題は2つある。
まず、グラフマイニングのアプローチは、人間の分析者が解釈する(パターン爆発)にはあまりにも多くのパターンを抽出する傾向がある。
第二に、現実のKGはグラフマイニングで扱われるグラフとは異なる傾向があり、それらは多グラフであり、頂点度はパワー・ローに従う傾向にあり、知識をモデル化する方法は素早いパターンを生み出す。
近年,最小記述長(MDL)原理を用いて,グラフマイニング手法としてGraphMDL+が提案されている。
しかし、他のグラフマイニング手法と同様に、GraphMDL+は適応のないKGには適していない。
本稿では,MDL原理に基づくグラフパターンマイニング手法であるKG-MDLを提案する。
提案手法は,人間によって解釈できるほど小さく,かつkgを記述可能なパターン群を生成できることを示す中型kgs実験を報告した。
抽出されたパターンは、データの作成に使用されるスキーマと、データに含まれる具体的な事実の両方に関連のある特性を強調する。
また,他の種類のグラフデータとは対照的に,知識グラフ上のグラフパターンのマイニングに関する問題についても論じる。
関連論文リスト
- Neural Scaling Laws on Graphs [57.680916564549975]
モデルおよびデータの観点から,グラフ上のニューラルスケーリング法則について検討する。
モデルスケーリングでは,スケール法が崩壊する現象を調査し,オーバーフィッティングを潜在的な理由として同定する。
データスケーリングについては、グラフのサイズが極めて不規則であるため、スケーリング法則においてグラフデータのボリュームを効果的に測定することはできないことを示唆する。
論文 参考訳(メタデータ) (2024-02-03T06:17:21Z) - Graph Neural Networks with a Distribution of Parametrized Graphs [27.40566674759208]
複数のグラフをパラメータ化して生成するために潜在変数を導入する。
予測最大化フレームワークにおいて,ネットワークパラメータの最大推定値を得る。
論文 参考訳(メタデータ) (2023-10-25T06:38:24Z) - Probing Graph Representations [77.7361299039905]
グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。
本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。
グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
論文 参考訳(メタデータ) (2023-03-07T14:58:18Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳(メタデータ) (2022-12-12T08:40:04Z) - Learning Product Graphs from Spectral Templates [3.04585143845864]
グラフ学習(GL)は、データマイニングと機械学習(ML)におけるコネクションの推論と分析の核である
複雑度を著しく低減した製品スペクトルテンプレートからの学習製品(高次元)グラフを提案する。
現在の稀なアプローチとは対照的に、我々のアプローチはグラフ製品の種類を知ることなく、あらゆる種類の製品グラフを学習することができる。
論文 参考訳(メタデータ) (2022-11-05T12:28:11Z) - Scaling R-GCN Training with Graph Summarization [71.06855946732296]
リレーショナルグラフ畳み込みネットワーク(R-GCN)のトレーニングは、グラフのサイズに合わない。
本研究では,グラフの要約手法を用いてグラフを圧縮する実験を行った。
AIFB, MUTAG, AMデータセットについて妥当な結果を得た。
論文 参考訳(メタデータ) (2022-03-05T00:28:43Z) - Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。
解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。
線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
論文 参考訳(メタデータ) (2021-05-29T08:11:40Z) - Graph Coarsening with Neural Networks [8.407217618651536]
本稿では、粗いアルゴリズムの品質を測定するためのフレームワークを提案し、目標に応じて、粗いグラフ上のLaplace演算子を慎重に選択する必要があることを示す。
粗いグラフに対する現在のエッジウェイト選択が準最適である可能性が示唆され、グラフニューラルネットワークを用いて重み付けマップをパラメータ化し、教師なし方法で粗い品質を改善するよう訓練する。
論文 参考訳(メタデータ) (2021-02-02T06:50:07Z) - Data Augmentation View on Graph Convolutional Network and the Proposal
of Monte Carlo Graph Learning [51.03995934179918]
従来の理解よりも透明性の高いデータ拡張を導入します。
そこで我々はモンテカルログラフ学習(MCGL)という新しいグラフ学習パラダイムを提案する。
MCGLの耐雑音性は、ノイズグラフ上のGCNよりも弱いことを示す。
論文 参考訳(メタデータ) (2020-06-23T15:25:05Z) - The Power of Graph Convolutional Networks to Distinguish Random Graph
Models: Short Version [27.544219236164764]
グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。
サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
論文 参考訳(メタデータ) (2020-02-13T17:58:42Z)
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。