論文の概要: Context-aware Inductive Knowledge Graph Completion with Latent Type Constraints and Subgraph Reasoning

• arxiv url: http://arxiv.org/abs/2410.16803v1
• Date: Tue, 22 Oct 2024 08:28:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:30:25.372746
• Title: Context-aware Inductive Knowledge Graph Completion with Latent Type Constraints and Subgraph Reasoning
• Title（参考訳）: 潜在型制約とサブグラフ推論を用いた文脈認識帰納的知識グラフ補完
• Authors: Muzhi Li, Cehao Yang, Chengjin Xu, Zixing Song, Xuhui Jiang, Jian Guo, Ho-fung Leung, Irwin King,
• Abstract要約: 本稿では,新しい文脈認識型インダクティブ知識グラフソリューションであるCATSを紹介する。 まず、型認識推論モジュールは、候補エンティティがクエリ関係で要求される潜在エンティティタイプと一致するかどうかを評価する。 そして、サブグラフ推論モジュールは、関連する推論パスと近隣の事実を選択し、クエリの3倍の相関性を評価する。
• 参考スコア（独自算出の注目度）: 40.99424226294974
• License:
• Abstract: Inductive knowledge graph completion (KGC) aims to predict missing triples with unseen entities. Recent works focus on modeling reasoning paths between the head and tail entity as direct supporting evidence. However, these methods depend heavily on the existence and quality of reasoning paths, which limits their general applicability in different scenarios. In addition, we observe that latent type constraints and neighboring facts inherent in KGs are also vital in inferring missing triples. To effectively utilize all useful information in KGs, we introduce CATS, a novel context-aware inductive KGC solution. With sufficient guidance from proper prompts and supervised fine-tuning, CATS activates the strong semantic understanding and reasoning capabilities of large language models to assess the existence of query triples, which consist of two modules. First, the type-aware reasoning module evaluates whether the candidate entity matches the latent entity type as required by the query relation. Then, the subgraph reasoning module selects relevant reasoning paths and neighboring facts, and evaluates their correlation to the query triple. Experiment results on three widely used datasets demonstrate that CATS significantly outperforms state-of-the-art methods in 16 out of 18 transductive, inductive, and few-shot settings with an average absolute MRR improvement of 7.2%.
• Abstract（参考訳）: 帰納的知識グラフ補完(KGC)は、見当たらない実体を持つ欠落三重項を予測することを目的としている。 最近の研究は、直接的裏付けとして、頭と尾の実体の間の推論経路をモデル化することに焦点を当てている。 しかし、これらの手法は推論パスの存在と品質に大きく依存しており、異なるシナリオにおける一般的な適用性を制限している。 さらに,KGsに固有の潜伏型制約や近隣事実も,欠落三重項の推測に不可欠であることを示した。 KGのすべての有用な情報を効果的に活用するために,新しい文脈対応誘導型KGCソリューションであるCATSを紹介する。 適切なプロンプトからの十分なガイダンスと教師付き微調整により、CATSは2つのモジュールからなるクエリトリプルの存在を評価するために、大規模言語モデルの強力な意味理解と推論能力を活性化する。 まず、型認識推論モジュールは、候補エンティティがクエリ関係で要求される潜在エンティティタイプと一致するかどうかを評価する。 そして、サブグラフ推論モジュールは、関連する推論パスと近隣の事実を選択し、クエリの3倍の相関性を評価する。 広く使用されている3つのデータセットの実験結果から、CATSは18のトランスダクティブ、インダクティブ、および数ショット設定のうち16の最先端の手法を著しく上回り、平均的な絶対的なMRR改善は7.2%であることが示された。

関連論文リスト

• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  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。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• RDR: the Recap, Deliberate, and Respond Method for Enhanced Language Understanding [6.738409533239947]
  Recap、Deliberate、Respond(RDR)パラダイムは、ニューラルネットワークパイプラインに3つの異なる目的を組み込むことで、この問題に対処する。 これら3つのモデルをカスケードすることにより、ベンチマークをゲームする可能性を軽減し、基盤となるセマンティックパターンをキャプチャする堅牢な方法を確立する。 その結果,標準基準値の最大2%向上とともに,競争基準値と比較して性能が向上した。
  論文  参考訳（メタデータ） (2023-12-15T16:41:48Z)
• Measuring and Improving Attentiveness to Partial Inputs with Counterfactuals [91.59906995214209]
  我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。 CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。 実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
  論文  参考訳（メタデータ） (2023-11-16T06:27:35Z)
• Multi-Aspect Explainable Inductive Relation Prediction by Sentence Transformer [60.75757851637566]
  本稿では,モデル学習に先立って信頼できない経路をフィルタリングし,モデル性能を高めるための関係経路カバレッジと関係経路信頼の概念を紹介する。 知識グラフにおける帰納関係を予測するために,知識推論文変換器(KRST)を提案する。
  論文  参考訳（メタデータ） (2023-01-04T15:33:49Z)
• Relational Message Passing for Fully Inductive Knowledge Graph Completion [37.29833710603933]
  知識グラフ補完(KGC)では、KG埋め込みが学習されると見つからない新しい実体や関係を含む三重項を予測することが重要な課題となっている。 メッセージパッシングによるサブグラフ推論は、有望で人気のあるソリューションである。 そこで本研究では,新しいメッセージパッシングネットワークを用いたRMPIという手法を提案する。
  論文  参考訳（メタデータ） (2022-10-08T10:35:52Z)
• 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)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)

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。