論文の概要: Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion
- arxiv url: http://arxiv.org/abs/2408.01784v1
- Date: Sat, 03 Aug 2024 13:37:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 18:50:02.839484
- Title: Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion
- Title（参考訳）: インダクティブFew-shotナレッジグラフ補完のためのグラフ確率的ニューラルプロセス
- Authors: Zicheng Zhao, Linhao Luo, Shirui Pan, Chengqi Zhang, Chen Gong,
- Abstract要約: I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。
帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。
本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。
第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
- 参考スコア（独自算出の注目度）: 63.68647582680998
- License:
- Abstract: Knowledge graphs (KGs) store enormous facts as relationships between entities. Due to the long-tailed distribution of relations and the incompleteness of KGs, there is growing interest in few-shot knowledge graph completion (FKGC). Existing FKGC methods often assume the existence of all entities in KGs, which may not be practical since new relations and entities can emerge over time. Therefore, we focus on a more challenging task called inductive few-shot knowledge graph completion (I-FKGC), where both relations and entities during the test phase are unknown before. Inspired by the idea of inductive reasoning, we cast I-FKGC as an inductive reasoning problem. Specifically, we propose a novel Graph Stochastic Neural Process approach (GS-NP), which consists of two major modules. In the first module, to obtain a generalized hypothesis (e.g., shared subgraph), we present a neural process-based hypothesis extractor that models the joint distribution of hypothesis, from which we can sample a hypothesis for predictions. In the second module, based on the hypothesis, we propose a graph stochastic attention-based predictor to test if the triple in the query set aligns with the extracted hypothesis. Meanwhile, the predictor can generate an explanatory subgraph identified by the hypothesis. Finally, the training of these two modules is seamlessly combined into a unified objective function, of which the effectiveness is verified by theoretical analyses as well as empirical studies. Extensive experiments on three public datasets demonstrate that our method outperforms existing methods and derives new state-of-the-art performance.
- Abstract（参考訳）: 知識グラフ(KG)は、エンティティ間の関係として巨大な事実を格納する。
長期にわたる関係分布とKGの不完全性のため、少数ショット知識グラフ補完(FKGC)への関心が高まっている。
既存のFKGC法は、KGに全ての実体が存在すると仮定することが多いが、新しい関係や実体が時間とともに出現する可能性があるため、現実的ではないかもしれない。
そこで本研究では,I-FKGC (inductive few-shot knowledge graph completion) と呼ばれる,テストフェーズにおける関係性と実体性が事前に不明な,より困難な課題に注目した。
帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。
具体的には、2つの主要なモジュールからなる新しいグラフ確率ニューラル・プロセス・アプローチ(GS-NP)を提案する。
第1のモジュールでは、一般化された仮説(例えば、共有部分グラフ)を得るために、仮説の合同分布をモデル化するニューラルプロセスに基づく仮説抽出器を提示し、予測のために仮説をサンプリングすることができる。
第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフ確率的注意に基づく予測器を提案する。
一方、予測器は、仮説によって識別された説明サブグラフを生成することができる。
最後に、これらの2つのモジュールのトレーニングはシームレスに統合された目的関数に組み合わされ、その効果は理論的解析と実証的研究によって検証される。
3つの公開データセットに対する大規模な実験により、我々の手法は既存の手法より優れ、新しい最先端性能を導出することを示した。
関連論文リスト
- Does Graph Prompt Work? A Data Operation Perspective with Theoretical Analysis [7.309233340654514]
本稿では,データ操作の観点からグラフのプロンプトを厳密に解析する理論的枠組みを提案する。
グラフ変換演算子に近似する能力を示す形式的保証定理を提供する。
グラフプロンプトによってこれらのデータ操作の誤差の上限を導出し、この議論をグラフのバッチに拡張する。
論文 参考訳（メタデータ） (2024-10-02T15:07:13Z) - Towards Few-shot Inductive Link Prediction on Knowledge Graphs: A
Relational Anonymous Walk-guided Neural Process Approach [49.00753238429618]
知識グラフ上のインダクティブリンク予測は,少数ショットリンクを観測した未確認エンティティのリンク不足を予測することを目的としている。
近年の帰納的手法は、目に見えない実体を取り巻く部分グラフを用いて意味情報を取得し、リンクを誘導的に予測する。
本稿では,知識グラフ上の数ショットの帰納的リンク予測をRawNPと表記する,新しいリレーショナル匿名型歩行誘導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） (2023-06-26T12:02:32Z) - On the Joint Interaction of Models, Data, and Features [82.60073661644435]
本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。
これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。
この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
論文 参考訳（メタデータ） (2023-06-07T21:35:26Z) - 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) - Structure Learning and Parameter Estimation for Graphical Models via
Penalized Maximum Likelihood Methods [0.0]
論文では、静的なベイジアンネットワーク(BN)と、その名前が示すように時間成分を持つ連続時間ベイジアンネットワークという2つの異なるタイプのPGMについて考察する。
私たちは、PGMを学ぶための最初のステップである、真の構造を回復することに興味を持っています。
論文 参考訳（メタデータ） (2023-01-30T20:26:13Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - OOD Link Prediction Generalization Capabilities of Message-Passing GNNs
in Larger Test Graphs [13.118954965368333]
この研究は、メッセージパッシングニューラルネットワーク(gMPNN)をグラフ化し、誘導的アウト・オブ・ディストリビューション(OOD)リンク予測タスクを実行する能力に関する最初の理論的研究を提供する。
まず、置換同変(構造的)ノード埋め込みに基づくリンク予測器が、テストグラフが大きくなるにつれてランダムな推測に収束することを示す。
次に、構造的なペア(2ノード)埋め込みを出力し、テストグラフが大きくなるにつれて、これらの埋め込みが埋め込みに収束することを示す理論的に正しいgMPNNを提案する。
論文 参考訳（メタデータ） (2022-05-30T14:04:32Z) - Learning Representations of Entities and Relations [0.0]
この論文は,リンク予測タスクに取り組むことを目的とした知識グラフ表現の改善に焦点を当てている。
最初のコントリビューションはHypERであり、リンク予測性能を単純化し改善する畳み込みモデルである。
第2のコントリビューションは比較的単純な線形モデルであるTuckERで、このモデルが導入された時点では、最先端のリンク予測性能が得られた。
第3の貢献は、双曲空間に埋め込まれた最初のマルチリレーショナルグラフ表現モデルである MuRP である。
論文 参考訳（メタデータ） (2022-01-31T09:24:43Z) - Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。
単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。
慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
論文 参考訳（メタデータ） (2021-02-05T21:04:31Z)
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。