論文の概要: Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation

• arxiv url: http://arxiv.org/abs/2406.15507v1
• Date: Wed, 19 Jun 2024 21:40:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-25 23:44:36.295760
• Title: Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation
• Title（参考訳）: 部分グラフ適応による知識グラフ関係推論
• Authors: Haochen Liu, Song Wang, Chen Chen, Jundong Li,
• Abstract要約: Few-shot Knowledge Graph (KG) Reasoningは、KGにおける稀な関係に対して、目に見えない三つ子(すなわちクエリ三つ子)を予測することを目的としている。 本稿では,種々のサブグラフに文脈化グラフの情報を効果的に適応させる手法であるSAFER(Subgraph Adaptation for Few-shot Reasoning)を提案する。
• 参考スコア（独自算出の注目度）: 51.47994645529258
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot Knowledge Graph (KG) Relational Reasoning aims to predict unseen triplets (i.e., query triplets) for rare relations in KGs, given only several triplets of these relations as references (i.e., support triplets). This task has gained significant traction due to the widespread use of knowledge graphs in various natural language processing applications. Previous approaches have utilized meta-training methods and manually constructed meta-relation sets to tackle this task. Recent efforts have focused on edge-mask-based methods, which exploit the structure of the contextualized graphs of target triplets (i.e., a subgraph containing relevant triplets in the KG). However, existing edge-mask-based methods have limitations in extracting insufficient information from KG and are highly influenced by spurious information in KG. To overcome these challenges, we propose SAFER (Subgraph Adaptation for Few-shot Relational Reasoning), a novel approach that effectively adapts the information in contextualized graphs to various subgraphs generated from support and query triplets to perform the prediction. Specifically, SAFER enables the extraction of more comprehensive information from support triplets while minimizing the impact of spurious information when predicting query triplets. Experimental results on three prevalent datasets demonstrate the superiority of our proposed framework SAFER.
• Abstract（参考訳）: 知識グラフ (KG) リレーショナル推論 (Relational Reasoning) は、KGにおける稀な関係に対して、見知らぬ三つ子(すなわちクエリ三つ子)を予測することを目的としており、これらの関係のいくつかの三つ子しか参照しない(つまり、三つ子をサポートする)。 このタスクは、様々な自然言語処理アプリケーションで知識グラフが広く使われているため、大きな注目を集めている。 従来の手法では、この課題に対処するためにメタトレーニング手法と手動でメタリレーションセットを構築してきた。 近年の取り組みは、ターゲット三重項(KGに関係する三重項を含む部分グラフ)の文脈化グラフの構造を利用するエッジマスクに基づく手法に重点を置いている。 しかし、既存のエッジマスクベースの手法は、KGから不十分な情報を抽出するのに限界があり、KGの急激な情報の影響を強く受けている。 これらの課題を克服するために,サポートやクエリトリプレットから生成された様々なサブグラフに文脈化グラフの情報を効果的に適用して予測を行う,SAFER(Subgraph Adaptation for Few-shot Relational Reasoning)を提案する。 特に、SAFERは、クエリ三重項予測時の急激な情報の影響を最小限に抑えながら、サポート三重項からのより包括的な情報抽出を可能にする。 3つの有意なデータセットに対する実験結果から,提案フレームワークSAFERの優位性を示す。

関連論文リスト

• Anchoring Path for Inductive Relation Prediction in Knowledge Graphs [69.81600732388182]
  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。
  論文  参考訳（メタデータ） (2023-12-21T06:02:25Z)
• KERMIT: Knowledge Graph Completion of Enhanced Relation Modeling with Inverse Transformation [15.787778445130323]
  外部知識ベースとしてChatGPTを使用して、クエリと回答間のセマンティックギャップを橋渡しするコヒーレントな記述を生成する。 逆関係を利用して対称グラフを作成し、余分なラベリングを生成し、リンク予測のための補足情報を提供する。
  論文  参考訳（メタデータ） (2023-09-26T09:03:25Z)
• Knowledge Graph Refinement based on Triplet BERT-Networks [0.0]
  本稿では,知識グラフ内のエンティティや関係に関する情報を集約する埋め込み空間を作成するトランスフォーマーベースの三重項ネットワークを採用する。 事実からテキストシーケンスを生成し、事前訓練されたトランスフォーマーベースの言語モデルのトリプルトネットワークを微調整する。 これら2つの改良作業の最先端性能に対して, GilBERT は, より優れた, あるいは同等な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-11-18T19:01:21Z)
• 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)
• Hierarchical Relational Learning for Few-Shot Knowledge Graph Completion [25.905974480733562]
  数ショットのKG完了のための階層的関係学習法(HiRe)を提案する。 3つのレベルの関係情報を共同で取得することで、HiReは、少数の関係のメタ表現を効果的に学習し、洗練することができる。 2つのベンチマークデータセットの実験は、HiReの他の最先端メソッドに対する優位性を検証する。
  論文  参考訳（メタデータ） (2022-09-02T17:57:03Z)
• A Review of Knowledge Graph Completion [0.0]
  情報抽出法は構造化データや非構造化データからの3重抽出に有効であることが証明された。 現在の知識グラフのほとんどは不完全である。 下流タスクでKGを使用するためには、KGに欠けているリンクを予測することが望ましい。
  論文  参考訳（メタデータ） (2022-08-24T16:42:59Z)
• Repurposing Knowledge Graph Embeddings for Triple Representation via Weak Supervision [77.34726150561087]
  現在の方法では、事前訓練されたモデルからの実体と述語埋め込みを使わずに、スクラッチから三重埋め込みを学習する。 本研究では,知識グラフからトリプルを自動抽出し,事前学習した埋め込みモデルからそれらのペアの類似性を推定する手法を開発した。 これらのペアの類似度スコアは、細い三重表現のためにシームズ様のニューラルネットワークに供給される。
  論文  参考訳（メタデータ） (2022-08-22T14:07:08Z)
• Semantic Compositional Learning for Low-shot Scene Graph Generation [122.51930904132685]
  多くのシーングラフ生成(SGG)モデルは、トレーニングに限定された注釈付き関係トリプルのみを使用する。 本稿では,新たな意味論的構成学習戦略を提案する。 最近の3つのSGGモデルでは、我々の戦略を追加することで、その性能が50%近く向上する。
  論文  参考訳（メタデータ） (2021-08-19T10:13:55Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
  実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。 我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。 本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
  論文  参考訳（メタデータ） (2020-04-30T14:16:19Z)

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。