論文の概要: A Benchmark for Semi-Inductive Link Prediction in Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2310.11917v1
- Date: Wed, 18 Oct 2023 12:13:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 16:34:50.164109
- Title: A Benchmark for Semi-Inductive Link Prediction in Knowledge Graphs
- Title(参考訳): 知識グラフにおける半帰納的リンク予測のベンチマーク
- Authors: Adrian Kochsiek, Rainer Gemulla
- Abstract要約: 知識グラフ(KG)における半帰納的リンク予測(英: Semi-inductive Link Prediction、LP)は、新しい、以前は目に見えないエンティティの事実を予測するタスクである。
原理的にモデルをスクラッチから再トレーニングすることで、新しいエンティティを統合することができるが、これは大規模なKGでは不可能である。
本稿では,半帰納的LPモデルを評価するための大規模ベンチマークを提案する。
- 参考スコア(独自算出の注目度): 6.7044991782262215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-inductive link prediction (LP) in knowledge graphs (KG) is the task of
predicting facts for new, previously unseen entities based on context
information. Although new entities can be integrated by retraining the model
from scratch in principle, such an approach is infeasible for large-scale KGs,
where retraining is expensive and new entities may arise frequently. In this
paper, we propose and describe a large-scale benchmark to evaluate
semi-inductive LP models. The benchmark is based on and extends Wikidata5M: It
provides transductive, k-shot, and 0-shot LP tasks, each varying the available
information from (i) only KG structure, to (ii) including textual mentions, and
(iii) detailed descriptions of the entities. We report on a small study of
recent approaches and found that semi-inductive LP performance is far from
transductive performance on long-tail entities throughout all experiments. The
benchmark provides a test bed for further research into integrating context and
textual information in semi-inductive LP models.
- Abstract(参考訳): 知識グラフ(KG)における半帰納的リンク予測(英: Semi-inductive Link Prediction, LP)は、文脈情報に基づいて、新しい、以前は目に見えないエンティティの事実を予測するタスクである。
新しいエンティティは、原則としてスクラッチからモデルを再トレーニングすることで統合することができるが、そのようなアプローチは大規模なKGでは不可能である。
本稿では,半帰納的LPモデルを評価するための大規模ベンチマークを提案する。
このベンチマークはwikidata5mをベースとし、拡張している:transductive、k-shot、0-shot lpタスクを提供する。
(i)kg構造のみ
(二)テキストによる言及を含むこと、
(iii)その実体の詳細な説明
本報告では,最近の研究成果について概説し,全ての実験において,半インダクティブLP性能は長テールエンティティのトランスダクティブ性能には程遠いことを示した。
このベンチマークは、半帰納的LPモデルにおける文脈とテキスト情報の統合に関するさらなる研究のためのテストベッドを提供する。
関連論文リスト
- Fast-and-Frugal Text-Graph Transformers are Effective Link Predictors [28.403174369346715]
テキスト分散知識グラフにおける帰納的リンク予測のためのテキスト情報と構造情報を統一するトランスフォーマベースのフレームワークであるFast-and-Frugal Text-Graph (FnF-TG) Transformersを提案する。
本研究では,エゴグラフを効果的に符号化することにより,リソース集約型テキストエンコーダへの依存を低減できることを実証する。
論文 参考訳(メタデータ) (2024-08-13T10:04:29Z) - Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。
帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。
本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。
第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
論文 参考訳(メタデータ) (2024-08-03T13:37:40Z) - Information-Theoretic Distillation for Reference-less Summarization [67.51150817011617]
本稿では,要約のための情報理論的目的に基づいて,強力な要約器を蒸留する新しい枠組みを提案する。
我々は,教師モデルとしてPythia-2.8Bから出発する。
我々は,ChatGPTと競合する5億8800万のパラメータしか持たないコンパクトだが強力な要約器に到達した。
論文 参考訳(メタデータ) (2024-03-20T17:42:08Z) - 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) - Multi-Aspect Explainable Inductive Relation Prediction by Sentence
Transformer [60.75757851637566]
本稿では,モデル学習に先立って信頼できない経路をフィルタリングし,モデル性能を高めるための関係経路カバレッジと関係経路信頼の概念を紹介する。
知識グラフにおける帰納関係を予測するために,知識推論文変換器(KRST)を提案する。
論文 参考訳(メタデータ) (2023-01-04T15:33:49Z) - RAILD: Towards Leveraging Relation Features for Inductive Link
Prediction In Knowledge Graphs [1.5469452301122175]
知識グラフの補完にはRAILD(Relation Aware Inductive Link PreDiction)が提案されている。
RAILDは、見えない実体と見えない関係の両方の表現を学ぶ。
論文 参考訳(メタデータ) (2022-11-21T12:35:30Z) - Subgraph-aware Few-Shot Inductive Link Prediction via Meta-Learning [16.288230150590046]
数ショットの帰納的関係推論のためのメタラーナーMeta-iKGを提案する。
モデルは、インダクティブな設定を持つ少数の既知の事実を使用して、素早く少数の関係に適応できる。
論文 参考訳(メタデータ) (2021-07-26T11:56:18Z) - Improving Inductive Link Prediction Using Hyper-Relational Facts [15.820005235333882]
グラフニューラルネットワークを用いた半帰納的および完全帰納的リンク予測タスクにおいて, ハイパーリレーショナルなKGを用いることの利点について検討する。
実験により, 入力エッジ上の等化器は, 絶対ゲインの6%の性能向上につながることが示された。
論文 参考訳(メタデータ) (2021-07-10T19:16:03Z) - Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。
単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。
慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
論文 参考訳(メタデータ) (2021-02-05T21:04:31Z) - Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。
本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。
InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端のベースラインを大幅に上回っている。
論文 参考訳(メタデータ) (2020-09-19T16:10:26Z)
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。