論文の概要: Anchoring Path for Inductive Relation Prediction in Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2312.13596v1
- Date: Thu, 21 Dec 2023 06:02:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-22 15:52:25.889560
- Title: Anchoring Path for Inductive Relation Prediction in Knowledge Graphs
- Title(参考訳): 知識グラフにおける帰納的関係予測のためのアンカーパス
- Authors: Zhixiang Su, Di Wang, Chunyan Miao and Lizhen Cui
- Abstract要約: APSTはAPとCPを統一されたSentence Transformerアーキテクチャの入力として扱う。
我々は3つの公開データセット上でAPSTを評価し、36のトランスダクティブ、インダクティブ、および数ショットの実験的設定のうち30の最先端(SOTA)性能を達成する。
- 参考スコア(独自算出の注目度): 69.81600732388182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aiming to accurately predict missing edges representing relations between
entities, which are pervasive in real-world Knowledge Graphs (KGs), relation
prediction plays a critical role in enhancing the comprehensiveness and utility
of KGs. Recent research focuses on path-based methods due to their inductive
and explainable properties. However, these methods face a great challenge when
lots of reasoning paths do not form Closed Paths (CPs) in the KG. To address
this challenge, we propose Anchoring Path Sentence Transformer (APST) by
introducing Anchoring Paths (APs) to alleviate the reliance of CPs.
Specifically, we develop a search-based description retrieval method to enrich
entity descriptions and an assessment mechanism to evaluate the rationality of
APs. APST takes both APs and CPs as the inputs of a unified Sentence
Transformer architecture, enabling comprehensive predictions and high-quality
explanations. We evaluate APST on three public datasets and achieve
state-of-the-art (SOTA) performance in 30 of 36 transductive, inductive, and
few-shot experimental settings.
- Abstract(参考訳): 現実世界の知識グラフ(KG)で広く普及しているエンティティ間の関係を表す欠落エッジを正確に予測することを目的として、関係予測はKGの包括性と有用性を高める上で重要な役割を果たす。
最近の研究は、誘導性と説明可能な性質による経路に基づく手法に焦点を当てている。
しかし、多くの推論パスがkg内で閉路(cps)を形成しない場合、これらの手法は大きな課題に直面している。
この課題に対処するために,CP の信頼性を緩和する Anchoring Paths (APs) を導入して Anchoring Path Sentence Transformer (APST) を提案する。
具体的には、エンティティ記述を充実させる検索ベース記述検索手法と、APの合理性を評価するための評価メカニズムを開発する。
APSTはAPとCPの両方を統一されたSentence Transformerアーキテクチャの入力とし、包括的な予測と高品質な説明を可能にする。
我々は3つの公開データセット上でAPSTを評価し、36のトランスダクティブ、インダクティブ、および数ショットの実験的設定のうち30の最先端(SOTA)性能を達成する。
関連論文リスト
- Ladder-of-Thought: Using Knowledge as Steps to Elevate Stance Detection [73.31406286956535]
姿勢検出タスクにLadder-of-Thought(LoT)を導入する。
LoTは、小さなLMに高品質な外部知識を同化させ、生成した中間的論理を精査するように指示する。
実験では, 姿勢検出タスクにおけるCoTのGPT-3.5よりも16%改善し, 10%向上した。
論文 参考訳(メタデータ) (2023-08-31T14:31:48Z) - Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge
Graph Completion [20.45256490854869]
本稿では,エンティティ間の価値ある長距離依存性を自動的にキャプチャできる新しいフレームワークLR-GCNを提案する。
提案手法は、GNNベースの予測器と推論経路蒸留器の2つの主成分からなる。
論文 参考訳(メタデータ) (2023-06-29T15:35:34Z) - Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual
Recognition [57.08108545219043]
サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。
既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。
本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
論文 参考訳(メタデータ) (2023-05-12T00:13:17Z) - Inductive Relation Prediction from Relational Paths and Context with
Hierarchical Transformers [23.07740200588382]
本稿では,エンティティ間の関係と固有性の両方をキャプチャする手法を提案する。
因果関係は関係意味論にのみ依存しており、完全に帰納的な設定に自然に一般化することができる。
実験では、2つの完全帰納的データセットの8つのバージョンサブセットのほぼすべてのベースラインに対して、Actionalは一貫してパフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-01T03:49:47Z) - 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) - Walk-and-Relate: A Random-Walk-based Algorithm for Representation
Learning on Sparse Knowledge Graphs [5.444459446244819]
本稿では,データ空間の問題に対処するため,三重項数を増加させる効率的な方法を提案する。
また,メタパスの集合から情報的メタパスを高精度かつ効率的に抽出する手法も提案する。
提案したアプローチはモデルに依存しず、拡張トレーニングデータセットは、任意のKG埋め込みアプローチを最初から使用することができる。
論文 参考訳(メタデータ) (2022-09-19T05:35:23Z) - Entity Alignment with Reliable Path Reasoning and Relation-Aware
Heterogeneous Graph Transformer [5.960613525368867]
本稿では,関係と経路構造情報を統合したより効果的なエンティティアライメントフレームワークRPR-RHGTを提案する。
知識グラフの関係構造からEAタスクに適した経路を生成するために,初期信頼経路推論アルゴリズムを開発した。
実体近傍における異種特徴を効率的に捉えるために、関係性を考慮した異種グラフ変換器を設計する。
論文 参考訳(メタデータ) (2022-05-18T09:12:37Z) - Coalitional Bayesian Autoencoders -- Towards explainable unsupervised
deep learning [78.60415450507706]
その結果,BAEの予測は高い相関関係にあり,誤解を招くことが示唆された。
これを軽減するために、エージェントベースのシステム理論にインスパイアされた"Coalitional BAE"が提案されている。
公開条件監視データセットに関する実験は、Coalitional BAEを用いた説明の質の向上を実証している。
論文 参考訳(メタデータ) (2021-10-19T15:07:09Z) - Joint Semantics and Data-Driven Path Representation for Knowledge Graph
Inference [60.048447849653876]
我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。
提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
論文 参考訳(メタデータ) (2020-10-06T10:24:45Z)
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。