論文の概要: HyperMono: A Monotonicity-aware Approach to Hyper-Relational Knowledge Representation

• arxiv url: http://arxiv.org/abs/2404.09848v2
• Date: Tue, 13 Aug 2024 09:51:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-14 22:35:04.002069
• Title: HyperMono: A Monotonicity-aware Approach to Hyper-Relational Knowledge Representation
• Title（参考訳）: HyperMono: ハイパーリレーショナルな知識表現に対するモノトニックなアプローチ
• Authors: Zhiwei Hu, Víctor Gutiérrez-Basulto, Zhiliang Xiang, Ru Li, Jeff Z. Pan,
• Abstract要約: ハイパーリレーショナル・ナレッジグラフ(HKG)では、各事実は属性値の修飾子に関連する主三重からなり、追加の事実知識が表現される。 本稿では,ハイパーリレーショナル知識グラフ補完のためのHyperMonoモデルを提案する。
• 参考スコア（独自算出の注目度）: 27.28214706269035
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In a hyper-relational knowledge graph (HKG), each fact is composed of a main triple associated with attribute-value qualifiers, which express additional factual knowledge. The hyper-relational knowledge graph completion (HKGC) task aims at inferring plausible missing links in a HKG. Most existing approaches to HKGC focus on enhancing the communication between qualifier pairs and main triples, while overlooking two important properties that emerge from the monotonicity of the hyper-relational graphs representation regime. Stage Reasoning allows for a two-step reasoning process, facilitating the integration of coarse-grained inference results derived solely from main triples and fine-grained inference results obtained from hyper-relational facts with qualifiers. In the initial stage, coarse-grained results provide an upper bound for correct predictions, which are subsequently refined in the fine-grained step. More generally, Qualifier Monotonicity implies that by attaching more qualifier pairs to a main triple, we may only narrow down the answer set, but never enlarge it. This paper proposes the HyperMono model for hyper-relational knowledge graph completion, which realizes stage reasoning and qualifier monotonicity. To implement qualifier monotonicity HyperMono resorts to cone embeddings. Experiments on three real-world datasets with three different scenario conditions demonstrate the strong performance of HyperMono when compared to the SoTA.
• Abstract（参考訳）: ハイパーリレーショナル・ナレッジグラフ(HKG)では、各事実は属性値の修飾子に関連する主三重からなり、追加の事実知識が表現される。 ハイパーリレーショナル・ナレッジグラフ補完(HKGC)タスクは、HKG内の有望な欠落リンクを推測することを目的としている。 既存の HKGC のアプローチのほとんどは、高関係グラフ表現体系の単調性から生じる2つの重要な性質を見越しながら、等化器対と主三重項の間の通信を強化することに焦点を当てている。 段階推論は、2段階の推論プロセスを可能にし、主三重項のみから得られる粗粒度推論結果と、等化子を持つ超関係事実から得られる細粒度推論結果の統合を容易にする。 初期段階では、粗粒度の結果は正しい予測のための上限を与え、その後、細粒度ステップで洗練される。 より一般的には、Qualifier Monotonicityは、より多くの等化子対を主三重項にアタッチすることで、解集合を狭めるだけで拡大しないことを意味する。 本稿では,ハイパーリレーショナル知識グラフ補完のためのHyperMonoモデルを提案する。 コーン埋め込みに適合する修飾子単調性HyperMonoを実装する。 3つの異なるシナリオ条件を持つ3つの実世界のデータセットの実験は、SoTAと比較してHyperMonoの強力なパフォーマンスを示している。

関連論文リスト

• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Enhancing Hyperedge Prediction with Context-Aware Self-Supervised Learning [64.46188414653204]
  我々は新しいハイパーエッジ予測フレームワーク(CASH)を提案する。 CASHは、コンテキスト認識ノードアグリゲーションを用いて、(C1)ハイパーエッジの各ノード間の複雑な関係をキャプチャし、(2)ハイパーエッジ予測のコンテキストにおける自己教師付きコントラスト学習を行い、(C2)ハイパーグラフ表現を強化する。 6つの実世界のハイパーグラフの実験により、CASHはハイパーエッジ予測の精度で競合する全ての手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-09-11T20:06:00Z)
• HyperFormer: Enhancing Entity and Relation Interaction for Hyper-Relational Knowledge Graph Completion [25.399684403558553]
  ハイパーリレーショナル知識グラフ(HKG)は、属性値の等式をトリプルに関連付けることによって、標準的な知識グラフを拡張する。 本稿では,三重項の実体,関係,等化子の内容をエンコードする局所レベルシーケンシャル情報を考慮したモデルであるHyperFormerを提案する。
  論文  参考訳（メタデータ） (2023-08-12T09:31:43Z)
• Shrinking Embeddings for Hyper-Relational Knowledge Graphs [42.23862602535092]
  本稿では,これらのパターンを明示的にモデル化することを目的とした幾何学的ハイパーリレーショナルKG埋め込み手法であるemphShrinkEを提案する。 実験の結果、ShrinkEは3つのハイパーリレーショナルKGのベンチマークで優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-03T21:14:59Z)
• Few-shot Link Prediction on N-ary Facts [70.8150181683017]
  ハイパーリレーショナル・ファクト(LPHFs)のリンク予測は、ハイパーリレーショナル・事実の欠落要素を予測することである。 Few-Shot Link Prediction on Hyper-Relational Facts (PHFs) は、サポートインスタンスが限定されたハイパーリレーショナルな事実において、欠落したエンティティを予測することを目的としている。
  論文  参考訳（メタデータ） (2023-05-10T12:44:00Z)
• A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach [59.89749342550104]
  本稿では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。 既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。 テーブル充填手法に着想を得た立方体充填モデルであるCubeREを提案する。
  論文  参考訳（メタデータ） (2022-11-18T03:51:28Z)
• Learning Representations for Hyper-Relational Knowledge Graphs [35.380689788802776]
  複数のアグリゲータを用いて超関係事実の表現を学習するフレームワークを設計する。 実験では、複数のデータセットにまたがるフレームワークの有効性を実証した。 フレームワークにおける各種コンポーネントの重要性を検証するためのアブレーション研究を行っている。
  論文  参考訳（メタデータ） (2022-08-30T15:02:14Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• Message Passing for Hyper-Relational Knowledge Graphs [7.733963597282456]
  本稿では,このようなハイパーリレーショナルな知識グラフをモデル化可能なメッセージパッシンググラフエンコーダであるStarEを提案する。 StarEは、任意の数の付加情報(修飾子)を主三重項と共に符号化し、修飾子と三重項の意味的役割をそのまま保持することができる。 実験により、StarEベースのLPモデルは、複数のベンチマークで既存のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-09-22T22:38:54Z)

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。