論文の概要: Expanding the Scope: Inductive Knowledge Graph Reasoning with Multi-Starting Progressive Propagation

• arxiv url: http://arxiv.org/abs/2407.10430v1
• Date: Mon, 15 Jul 2024 04:16:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 16:20:45.761689
• Title: Expanding the Scope: Inductive Knowledge Graph Reasoning with Multi-Starting Progressive Propagation
• Title（参考訳）: スコープの拡大:多段階進行伝播を用いた帰納的知識グラフ推論
• Authors: Zhoutian Shao, Yuanning Cui, Wei Hu,
• Abstract要約: 本稿では、条件付きメッセージパッシングニューラルネットワーク(C-MPNN)を利用した新しい帰納的KG推論モデルMStarを提案する。 キーとなる洞察は、複数のクエリ固有の開始エンティティを選択して、プログレッシブな伝播の範囲を広げることです。 実験結果から,MStarは最先端モデルと比較して優れた性能を示した。
• 参考スコア（独自算出の注目度）: 10.587369382226251
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs (KGs) are widely acknowledged as incomplete, and new entities are constantly emerging in the real world. Inductive KG reasoning aims to predict missing facts for these new entities. Among existing models, graph neural networks (GNNs) based ones have shown promising performance for this task. However, they are still challenged by inefficient message propagation due to the distance and scalability issues. In this paper, we propose a new inductive KG reasoning model, MStar, by leveraging conditional message passing neural networks (C-MPNNs). Our key insight is to select multiple query-specific starting entities to expand the scope of progressive propagation. To propagate query-related messages to a farther area within limited steps, we subsequently design a highway layer to propagate information toward these selected starting entities. Moreover, we introduce a training strategy called LinkVerify to mitigate the impact of noisy training samples. Experimental results validate that MStar achieves superior performance compared with state-of-the-art models, especially for distant entities.
• Abstract（参考訳）: 知識グラフ(KG)は不完全であると広く認識されており、新しい実体が現実世界に常に出現している。 帰納的KG推論は、これらの新しい実体に欠けている事実を予測することを目的としている。 既存のモデルの中で、グラフニューラルネットワーク(GNN)ベースのモデルでは、このタスクに有望なパフォーマンスを示している。 しかし、距離と拡張性の問題により、非効率なメッセージの伝搬が依然として問題となっている。 本稿では,条件付きメッセージパッシングニューラルネットワーク(C-MPNN)を利用した新しい帰納的KG推論モデルであるMStarを提案する。 キーとなる洞察は、複数のクエリ固有の開始エンティティを選択して、プログレッシブな伝播の範囲を広げることです。 限られたステップでクエリ関連メッセージを遠くの領域に伝達するために、我々はその後、これらの選択された開始エンティティに対して情報を伝達するハイウェイ層を設計する。 さらに、ノイズの多いトレーニングサンプルの影響を軽減するために、LinkVerifyと呼ばれるトレーニング戦略を導入する。 実験結果から,MStarは最先端モデル,特に遠距離モデルと比較して優れた性能を示すことがわかった。

関連論文リスト

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• 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)
• CIN++: Enhancing Topological Message Passing [3.584867245855462]
  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習において顕著な成功を収めている。 表現力の重大な制限に直面し、長距離相互作用に苦しむとともに、高次構造やグループ相互作用をモデル化するための原則的なアプローチを欠いている。 我々は、CINで導入されたトポロジ的メッセージパッシングスキームの強化であるCIN++を提案する。
  論文  参考訳（メタデータ） (2023-06-06T10:25:10Z)
• Message Intercommunication for Inductive Relation Reasoning [49.731293143079455]
  我々はMINESと呼ばれる新しい帰納的関係推論モデルを開発した。 隣り合う部分グラフにメッセージ通信機構を導入する。 我々の実験は、MINESが既存の最先端モデルより優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-23T13:51:46Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
  暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。 暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。 グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-15T18:18:55Z)
• Inductive Knowledge Graph Reasoning for Multi-batch Emerging Entities [22.88552158340435]
  既存のインダクティブな作業は、新しいエンティティがすべてバッチで1度現れていると仮定します。 この研究は、複数のバッチに新しいエンティティが出現する、より現実的で困難な状況に飛び込んでいます。 そこで我々は,新しい環境に適応するための,歩行に基づく帰納的推論モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:59:19Z)
• Type-aware Embeddings for Multi-Hop Reasoning over Knowledge Graphs [18.56742938427262]
  実生活知識グラフ(KG)に対するマルチホップ推論は非常に難しい問題である。 この問題に対処するため、最近、論理的クエリとKGを併用した有望なアプローチを導入している。 本稿では,クエリにおけるエンティティと関係表現を強化する新しいTEMP(TypE-aware Message Passing)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-02T10:05:13Z)
• DPGNN: Dual-Perception Graph Neural Network for Representation Learning [21.432960458513826]
  グラフニューラルネットワーク(GNN)は近年注目を集め、グラフベースのタスクの多くで顕著なパフォーマンスを実現している。 既存のGNNの多くは、メッセージパッシングパラダイムに基づいて、1つのトポロジ空間内の近隣情報を反復的に集約している。 本稿では,マルチステップメッセージソースの特性,ノード固有のメッセージ出力,マルチスペースメッセージインタラクションに基づく新しいメッセージパッシングパラダイムを提案する。
  論文  参考訳（メタデータ） (2021-10-15T05:47:26Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
  不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。 本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。 まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。 次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
  論文  参考訳（メタデータ） (2020-07-06T11:09:40Z)

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。