論文の概要: One Model, Any Conjunctive Query: Graph Neural Networks for Answering Complex Queries over Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2409.13959v1
- Date: Sat, 21 Sep 2024 00:30:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 04:28:44.038128
- Title: One Model, Any Conjunctive Query: Graph Neural Networks for Answering Complex Queries over Knowledge Graphs
- Title（参考訳）: 一つのモデル,任意の共役クエリ:知識グラフ上で複雑なクエリを答えるグラフニューラルネットワーク
- Authors: Krzysztof Olejniczak, Xingyue Huang, İsmail İlkan Ceylan, Mikhail Galkin,
- Abstract要約: 我々は,知識グラフ上の任意の共役クエリに対する回答を分類可能なグラフニューラルネットワークモデルであるAnyCQを提案する。
我々は、AnyCQが任意の構造を持つ大規模クエリに一般化できることを示し、既存のアプローチが失敗するサンプルに対する回答を確実に分類し、検索する。
- 参考スコア（独自算出の注目度）: 7.34044245579928
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional query answering over knowledge graphs -- or broadly over relational data -- is one of the most fundamental problems in data management. Motivated by the incompleteness of modern knowledge graphs, a new setup for query answering has emerged, where the goal is to predict answers that do not necessarily appear in the knowledge graph, but are present in its completion. In this work, we propose AnyCQ, a graph neural network model that can classify answers to any conjunctive query on any knowledge graph, following training. At the core of our framework lies a graph neural network model trained using a reinforcement learning objective to answer Boolean queries. Our approach and problem setup differ from existing query answering studies in multiple dimensions. First, we focus on the problem of query answer classification: given a query and a set of possible answers, classify these proposals as true or false relative to the complete knowledge graph. Second, we study the problem of query answer retrieval: given a query, retrieve an answer to the query relative to the complete knowledge graph or decide that no correct solutions exist. Trained on simple, small instances, AnyCQ can generalize to large queries of arbitrary structure, reliably classifying and retrieving answers to samples where existing approaches fail, which is empirically validated on new and challenging benchmarks. Furthermore, we demonstrate that our AnyCQ models effectively transfer to out-of-distribution knowledge graphs, when equipped with a relevant link predictor, highlighting their potential to serve as a general engine for query answering.
- Abstract（参考訳）: 知識グラフ(あるいはリレーショナルデータ)に対する従来のクエリ応答は、データ管理における最も基本的な問題のひとつです。
知識グラフの不完全性によって動機づけられたクエリ応答のための新しいセットアップが出現し、そのゴールは知識グラフに必ずしも現れるのではなく、その完成に存在している答えを予測することである。
本研究では,任意の知識グラフ上の共役的な問合せに対して,学習後に回答を分類できるグラフニューラルネットワークモデルであるAnyCQを提案する。
私たちのフレームワークのコアには、Booleanクエリに応答するために強化学習目標を使用してトレーニングされたグラフニューラルネットワークモデルがあります。
提案手法と課題設定は,複数次元の既存の問合せ応答研究とは異なる。
まず、問合せ回答の分類の問題に焦点をあて、問合せと可能な解の集合を与えられた場合、これらの提案を完全な知識グラフに対して真または偽のものとして分類する。
第2に,問合せ回答検索の問題について検討し,問合せを与えられた場合,その問合せに対する完全知識グラフに対する回答を検索するか,正しい解が存在しないかを判断する。
単純で小さなインスタンスでトレーニングされたAnyCQは、任意の構造の大規模なクエリに一般化することができ、既存のアプローチが失敗するサンプルの回答を確実に分類し、検索することができる。
さらに、我々のAnyCQモデルは、関連するリンク予測器を備えた場合、分散知識グラフに効果的に移行し、クエリ応答の汎用エンジンとして機能する可能性を強調します。
関連論文リスト
- Meta Operator for Complex Query Answering on Knowledge Graphs [58.340159346749964]
我々は、異なる複雑なクエリタイプではなく、異なる論理演算子型が一般化性を向上させる鍵であると主張する。
本稿では,メタ演算子を限られたデータで学習し,様々な複雑なクエリの演算子のインスタンスに適応するメタ学習アルゴリズムを提案する。
実験結果から,メタオペレータの学習は,従来のCQAモデルやメタCQAモデルよりも効果的であることが示唆された。
論文 参考訳（メタデータ） (2024-03-15T08:54:25Z) - Open-Set Knowledge-Based Visual Question Answering with Inference Paths [79.55742631375063]
知識に基づく視覚的質問回答(KB-VQA)の目的は、外部知識ベースの助けを借りて質問に対する正しい回答を提供することである。
KB-VQA, Graph pATH ranker (GATHER for brevity) の新しいレトリバーランカパラダイムを提案する。
具体的には、グラフの構築、プルーニング、パスレベルのランク付けが含まれており、正確な回答を検索するだけでなく、推論パスを提供して推論プロセスを説明する。
論文 参考訳（メタデータ） (2023-10-12T09:12:50Z) - Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。
これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。
提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
論文 参考訳（メタデータ） (2023-04-14T11:35:35Z) - Neural Graph Reasoning: Complex Logical Query Answering Meets Graph
Databases [63.96793270418793]
複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。
ニューラルグラフデータベース(NGDB)の概念を紹介する。
NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
論文 参考訳（メタデータ） (2023-03-26T04:03:37Z) - Logical Message Passing Networks with One-hop Inference on Atomic
Formulas [57.47174363091452]
本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。
クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。
我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
論文 参考訳（メタデータ） (2023-01-21T02:34:06Z) - Inductive Logical Query Answering in Knowledge Graphs [30.220508024471595]
本研究では、新しいエンティティを含むグラフ上で推論を行う帰納的クエリ応答タスクについて検討する。
グラフニューラルネットワーク(GNN)を用いた帰納的ノードと関係構造表現の2つのメカニズムを考案する。
実験により、帰納的モデルは、学習ノードよりも最大500%大きいグラフに一般化した未確認ノードに対して、推論時間で論理的推論を行うことができることを示した。
論文 参考訳（メタデータ） (2022-10-13T03:53:34Z) - Neural-Symbolic Models for Logical Queries on Knowledge Graphs [17.290758383645567]
両世界の利点を享受するニューラルシンボリックモデルであるグラフニューラルネットワーククエリ実行器(GNN-QE)を提案する。
GNN-QEは複雑なFOLクエリを、ファジィ集合上の関係投影と論理演算に分解する。
3つのデータセットの実験により、GNN-QEはFOLクエリに応答する以前の最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2022-05-16T18:39:04Z) - Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。
オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
論文 参考訳（メタデータ） (2022-02-16T05:59:53Z) - Query Embedding on Hyper-relational Knowledge Graphs [0.4779196219827507]
マルチホップ論理推論は知識グラフ上の表現学習の分野で確立された問題である。
我々はマルチホップ推論問題をハイパーリレーショナルなKGに拡張し、この新しいタイプの複雑なクエリに対処する。
論文 参考訳（メタデータ） (2021-06-15T14:08:50Z) - Answering Complex Queries in Knowledge Graphs with Bidirectional
Sequence Encoders [22.63481666560029]
本稿では,双方向アテンション機構に基づくモデルで共役クエリを埋め込む手法であるBi-Directional Query Embedding (BIQE)を提案する。
本稿では,BIQEがアートベースラインを著しく上回ることを示す,結合クエリの解答を予測するための新しいデータセットを提案する。
論文 参考訳（メタデータ） (2020-04-06T12:17:57Z)
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。