論文の概要: Towards Enhancing Relational Rules for Knowledge Graph Link Prediction

• arxiv url: http://arxiv.org/abs/2310.13411v1
• Date: Fri, 20 Oct 2023 10:38:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 23:13:35.948461
• Title: Towards Enhancing Relational Rules for Knowledge Graph Link Prediction
• Title（参考訳）: 知識グラフリンク予測のための関係ルール強化に向けて
• Authors: Shuhan Wu, Huaiyu Wan, Wei Chen, Yuting Wu, Junfeng Shen, Youfang Lin
• Abstract要約: グラフネットワーク(GNN)は知識グラフ推論に有望であることを示している。 本稿では,新しい知識グラフ推論手法rUle eNhanced Neural Graph Network (RUN-GNN)を提案する。
• 参考スコア（独自算出の注目度）: 25.194465291154053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have shown promising performance for knowledge graph reasoning. A recent variant of GNN called progressive relational graph neural network (PRGNN), utilizes relational rules to infer missing knowledge in relational digraphs and achieves notable results. However, during reasoning with PRGNN, two important properties are often overlooked: (1) the sequentiality of relation composition, where the order of combining different relations affects the semantics of the relational rules, and (2) the lagged entity information propagation, where the transmission speed of required information lags behind the appearance speed of new entities. Ignoring these properties leads to incorrect relational rule learning and decreased reasoning accuracy. To address these issues, we propose a novel knowledge graph reasoning approach, the Relational rUle eNhanced Graph Neural Network (RUN-GNN). Specifically, RUN-GNN employs a query related fusion gate unit to model the sequentiality of relation composition and utilizes a buffering update mechanism to alleviate the negative effect of lagged entity information propagation, resulting in higher-quality relational rule learning. Experimental results on multiple datasets demonstrate the superiority of RUN-GNN is superior on both transductive and inductive link prediction tasks.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は知識グラフ推論に有望な性能を示している。 プログレッシブリレーショナルグラフニューラルネットワーク(prgnn)と呼ばれるgnnの最近の変種は、リレーショナルルールを使用して、リレーショナルダイアグラムの知識の不足を推測し、注目すべき結果を達成する。 しかし,PRGNNを用いた推論では,(1)関係関係の順序が関係規則のセマンティクスに影響を及ぼす関係構成の順序性,(2)要求情報の伝達速度が新たな実体の出現速度よりも遅れる関係情報伝播という2つの重要な特性が無視されることが多い。 これらの性質を無視すると、不正確な関係ルール学習と推論精度の低下につながる。 そこで本研究では,新しい知識グラフ推論手法であるrelational rule enhanced graph neural network (run-gnn)を提案する。 具体的には、RUN-GNNは、クエリ関連融合ゲートユニットを用いて関係成分のシーケンシャル性をモデル化し、バッファリング更新機構を用いて、タグ付きエンティティ情報伝搬の負の効果を緩和し、高品質な関係ルール学習を実現する。 複数のデータセットに対する実験結果は、RUN-GNNが帰納的および帰納的リンク予測タスクよりも優れていることを示す。

関連論文リスト

• Relating-Up: Advancing Graph Neural Networks through Inter-Graph Relationships [17.978546172777342]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学ぶのに優れています。 彼らの成功にもかかわらず、GNNはグラフ間の関係のコンテキストを無視して制限される。 本稿では,グラフ間の関係を利用してGNNを強化するプラグイン・アンド・プレイモジュールであるRelating-Upを紹介する。
  論文  参考訳（メタデータ） (2024-05-07T02:16:54Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Incorporating Symbolic Domain Knowledge into Graph Neural Networks [18.798760815214877]
  グラフ構造化データ(グラフベースニューラルネットワーク、GNN)に特化して開発されたディープニューラルネットワーク 我々は,「頂点富化」という操作を用いて,GNNのこの側面を実証的に検討し,対応するGNNを「VEGNN」と表現する。
  論文  参考訳（メタデータ） (2020-10-23T16:22:21Z)
• 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)

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。