論文の概要: Towards Better Benchmark Datasets for Inductive Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2406.11898v2
• Date: Sun, 06 Oct 2024 07:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 13:41:56.968489
• Title: Towards Better Benchmark Datasets for Inductive Knowledge Graph Completion
• Title（参考訳）: インダクティブ知識グラフ補完のためのベンチマークデータセットの改善に向けて
• Authors: Harry Shomer, Jay Revolinsky, Jiliang Tang,
• Abstract要約: インダクティブなKGCデータセットを構築するための現在の手順は、必然的に、利用可能なショートカットを生成します。 具体的には、パーソナライズされたPageRank(PPR)スコアが、ほとんどの帰納的データセット上で、SOTAのパフォーマンスを強く、あるいは近く達成できることを観察する。 本稿では,PPRショートカットの緩和に役立つインダクティブなKGCデータセット構築のための代替戦略を提案する。
• 参考スコア（独自算出の注目度）: 34.58496513149175
• License:
• Abstract: Knowledge Graph Completion (KGC) attempts to predict missing facts in a Knowledge Graph (KG). Recently, there's been an increased focus on designing KGC methods that can excel in the {\it inductive setting}, where a portion or all of the entities and relations seen in inference are unobserved during training. Numerous benchmark datasets have been proposed for inductive KGC, all of which are subsets of existing KGs used for transductive KGC. However, we find that the current procedure for constructing inductive KGC datasets inadvertently creates a shortcut that can be exploited even while disregarding the relational information. Specifically, we observe that the Personalized PageRank (PPR) score can achieve strong or near SOTA performance on most inductive datasets. In this paper, we study the root cause of this problem. Using these insights, we propose an alternative strategy for constructing inductive KGC datasets that helps mitigate the PPR shortcut. We then benchmark multiple popular methods using the newly constructed datasets and analyze their performance. The new benchmark datasets help promote a better understanding of the capabilities and challenges of inductive KGC by removing any shortcuts that obfuscate performance.
• Abstract（参考訳）: 知識グラフ補完(KGC)は、知識グラフ(KG)における行方不明な事実を予測しようとする。 最近では、推論で見られるエンティティや関係の一部または全部が、トレーニング中に観察されないような、直接帰納的設定で排他的なKGCメソッドの設計に焦点が当てられている。 インダクティブKGCには多数のベンチマークデータセットが提案されており、これらはすべて、トランスダクティブKGCに使用される既存のKGのサブセットである。 しかし, インダクティブなKGCデータセットを構築するための現在の手順は, 関係情報を無視しながらも利用可能なショートカットを不注意に生成していることがわかった。 具体的には、PPR(Personalized PageRank)スコアが、ほとんどのインダクティブデータセットにおいて、SOTAの性能を強く、あるいは近く達成できることを観察する。 本稿では,この問題の根本原因について考察する。 これらの知見を用いて,PPRショートカットを緩和する帰納的KGCデータセット構築のための代替戦略を提案する。 次に、新たに構築されたデータセットを用いて、複数の一般的なメソッドをベンチマークし、そのパフォーマンスを分析する。 新しいベンチマークデータセットは、パフォーマンスを損なうショートカットを取り除くことによって、インダクティブKGCの能力と課題をよりよく理解する上で役立ちます。

関連論文リスト

• Exploiting Large Language Models Capabilities for Question Answer-Driven Knowledge Graph Completion Across Static and Temporal Domains [8.472388165833292]
  本稿では,GS-KGC(Generative Subgraph-based KGC)と呼ばれる新しい生成完了フレームワークを提案する。 GS-KGCは、ターゲットエンティティを直接生成するために質問応答形式を採用し、複数の可能な答えを持つ質問の課題に対処する。 本手法は,新たな情報発見を容易にするために,既知の事実を用いて負のサンプルを生成する。
  論文  参考訳（メタデータ） (2024-08-20T13:13:41Z)
• Logical Reasoning with Relation Network for Inductive Knowledge Graph Completion [9.815135283458808]
  帰納的KG完了のための新しいiNfOmax RelAtion Network(NORAN)を提案する。 我々のフレームワークは最先端のKGC手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-06-03T09:30:43Z)
• One Subgraph for All: Efficient Reasoning on Opening Subgraphs for Inductive Knowledge Graph Completion [12.644979036930383]
  知識グラフ補完(KGC)は最近、膨大な研究の関心を集めている。 既存の手法のほとんどは、トレーニング中にすべてのエンティティが観察されるトランスダクティブな設定に従って設計されている。 未確認エンティティ間のリンクの欠落を推論するインダクティブKGCは,新たなトレンドとなっている。
  論文  参考訳（メタデータ） (2024-04-24T11:12:08Z)
• Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
  本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T01:47:56Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• Improving Few-Shot Inductive Learning on Temporal Knowledge Graphs using Confidence-Augmented Reinforcement Learning [24.338098716004485]
  TKGCは、時間的knwoledge graph(TKG)におけるエンティティ間の欠落リンクを予測することを目的としている。 近年,TKG数発アウトオブグラフ(OOG)リンク予測という新たなタスクが提案されている。 本稿では,この課題を解決するために,少数ショット学習と強化学習を組み合わせたTKGC法FITCARLを提案する。
  論文  参考訳（メタデータ） (2023-04-02T20:05:20Z)
• Relational Message Passing for Fully Inductive Knowledge Graph Completion [37.29833710603933]
  知識グラフ補完(KGC)では、KG埋め込みが学習されると見つからない新しい実体や関係を含む三重項を予測することが重要な課題となっている。 メッセージパッシングによるサブグラフ推論は、有望で人気のあるソリューションである。 そこで本研究では,新しいメッセージパッシングネットワークを用いたRMPIという手法を提案する。
  論文  参考訳（メタデータ） (2022-10-08T10:35:52Z)
• DisenKGAT: Knowledge Graph Embedding with Disentangled Graph Attention Network [48.38954651216983]
  本稿では,知識グラフのための新しいDistangled Knowledge Graph Attention Network (DisenKGAT)を提案する。 DisenKGATは、マイクロディケンジメントとマクロディケンジメントの両方を使用して、知識グラフの背後にある表現を利用する。 私たちの仕事は、様々なスコア関数に適応する強力な堅牢性と柔軟性を持っています。
  論文  参考訳（メタデータ） (2021-08-22T04:10:35Z)
• 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)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。