論文の概要: One Model, Any Conjunctive Query: Graph Neural Networks for Answering Queries over Incomplete Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2409.13959v2
• Date: Tue, 05 Aug 2025 20:13:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.271487
• Title: One Model, Any Conjunctive Query: Graph Neural Networks for Answering Queries over Incomplete Knowledge Graphs
• Title（参考訳）: 不完全知識グラフ上での問合せに対するグラフニューラルネットワークの一モデル
• Authors: Krzysztof Olejniczak, Xingyue Huang, Mikhail Galkin, İsmail İlkan Ceylan,
• Abstract要約: 我々は,任意の知識グラフ上の任意の共役クエリに対する回答を分類できるモデルであるAnyCQを提案する。 我々は,適切なリンク予測モデルを備えた場合,AnyCQが全く新しい知識グラフに効果的に転送できることを実証的に示す。
• 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: 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 paper, we formally introduce and study two query answering problems, namely, query answer classification and query answer retrieval. To solve these problems, we propose AnyCQ, a model that can classify answers to any conjunctive query on any knowledge graph. At the core of our framework lies a graph neural network trained using a reinforcement learning objective to answer Boolean queries. Trained only on simple, small instances, AnyCQ generalizes to large queries of arbitrary structure, reliably classifying and retrieving answers to queries that existing approaches fail to handle. This is empirically validated through our newly proposed, challenging benchmarks. Finally, we empirically show that AnyCQ can effectively transfer to completely novel knowledge graphs when equipped with an appropriate link prediction model, highlighting its potential for querying incomplete data.
• Abstract（参考訳）: 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。 本稿では,問合せ解の分類と問合せ解の検索という,2つの問合せ解答問題を紹介し,研究する。 これらの問題を解決するために,知識グラフ上の任意の接続クエリに対する回答を分類可能なモデルである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があります。 AnyCQは単純で小さなインスタンスでのみ訓練され、任意の構造の大規模なクエリに一般化され、既存のアプローチでは処理できないクエリに対する回答を確実に分類し、検索する。 これは、新しく提案された、挑戦的なベンチマークを通じて実証的に検証されます。 最後に、適切なリンク予測モデルを備えた場合、AnyCQが全く新しい知識グラフに効果的に転送できることを実証的に示し、不完全データのクエリの可能性を強調した。

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。