Fugu-MT 論文翻訳(概要): A*Net and NBFNet Learn Negative Patterns on Knowledge Graphs

論文の概要: A*Net and NBFNet Learn Negative Patterns on Knowledge Graphs

arxiv url: http://arxiv.org/abs/2412.05114v1
Date: Fri, 06 Dec 2024 15:15:18 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-09 15:56:28.729274
Title: A*Net and NBFNet Learn Negative Patterns on Knowledge Graphs
Title（参考訳）: A*NetとNBFNetは知識グラフの負のパターンを学習する
Authors: Patrick Betz, Nathanael Stelzner, Christian Meilicke, Heiner Stuckenschmidt, Christian Bartelt,
Abstract要約: ルールベースアプローチとNBFNetとA*Netアーキテクチャの知識グラフ補完に関する予測性能差について検討する。最も一般的な2つのベンチマークでは、各データセット上の1つのユニークな負のパターンによって、パフォーマンス差のかなりの部分を説明することができる。
参考スコア（独自算出の注目度）: 10.22476128465699
License:
Abstract: In this technical report, we investigate the predictive performance differences of a rule-based approach and the GNN architectures NBFNet and A*Net with respect to knowledge graph completion. For the two most common benchmarks, we find that a substantial fraction of the performance difference can be explained by one unique negative pattern on each dataset that is hidden from the rule-based approach. Our findings add a unique perspective on the performance difference of different model classes for knowledge graph completion: Models can achieve a predictive performance advantage by penalizing scores of incorrect facts opposed to providing high scores for correct facts.
Abstract（参考訳）: 本稿では,ルールベースアプローチとNBFNetおよびA*Netアーキテクチャの知識グラフ補完に関する予測的性能差について検討する。最も一般的な2つのベンチマークでは、性能差のかなりの部分は、ルールベースのアプローチから隠されたデータセットの1つのユニークな負のパターンによって説明できる。モデルは、正しい事実に対して高いスコアを提供するのとは対照的に、誤った事実のスコアをペナライズすることで、予測的なパフォーマンスの優位性を達成することができる。

関連論文リスト

DIVE: Subgraph Disagreement for Graph Out-of-Distribution Generalization [44.291382840373]
本稿では,グラフ機械学習におけるアウト・オブ・ディストリビューションの一般化の課題に対処する。従来のグラフ学習アルゴリズムは、この仮定が失敗する現実世界のシナリオで失敗する。この準最適性能に寄与する主な要因は、ニューラルネットワークの本質的な単純さバイアスである。
論文参考訳（メタデータ） (2024-08-08T12:08:55Z)
Improving the interpretability of GNN predictions through conformal-based graph sparsification [9.550589670316523]
グラフニューラルネットワーク(GNN)は、グラフ分類タスクの解決において最先端のパフォーマンスを達成した。エッジやノードを除去することで,最も予測可能なサブグラフを見つけるGNNエンハンチング手法を提案する。我々は、共形予測に基づく報奨関数で得られる二段階最適化を解決するために強化学習を頼りにしている。
論文参考訳（メタデータ） (2024-04-18T17:34:47Z)
GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
論文参考訳（メタデータ） (2024-01-10T08:37:39Z)
Inductive Knowledge Graph Completion with GNNs and Rules: An Analysis [18.11743347414004]
ルールベース手法はグラフニューラルネットワーク(GNN)に基づく最先端手法を著しく上回る本稿では,前述の問題に対処することを目的としたルールベースアプローチのバリエーションについて検討する。その結果,NBFNetに近い性能が得られることがわかった。
論文参考訳（メタデータ） (2023-08-14T21:01:29Z)
Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。これらのグラフモデルと従来の協調フィルタリングモデルを比較する。ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文参考訳（メタデータ） (2023-08-01T09:31:44Z)
Studying How to Efficiently and Effectively Guide Models with Explanations [52.498055901649025]
「モデルガイダンス」とは「正しい理由のために正しい」ことを保証するためにモデルの説明を規則化する考え方である。 PASCAL VOC 2007 および MS COCO 2014 データセット上で, 各種損失関数, 帰属方法, モデル, 誘導深度について詳細な評価を行う。具体的には、一般的に使用されるセグメンテーションマスクよりもはるかに安価で入手可能なバウンディングボックスアノテーションを用いてモデルをガイドする。
論文参考訳（メタデータ） (2023-03-21T15:34:50Z)
Sub-Graph Learning for Spatiotemporal Forecasting via Knowledge Distillation [22.434970343698676]
サブグラフを効果的に学習するためのフレームワークKD-SGLを提案する。グラフの全体構造と各サブグラフの複数の局所モデルを学ぶために,グローバルモデルを定義する。
論文参考訳（メタデータ） (2022-11-17T18:02:55Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)
Combining Label Propagation and Simple Models Out-performs Graph Neural Networks [52.121819834353865]
多くの標準的なトランスダクティブノード分類ベンチマークでは、最先端のGNNの性能を超えたり、一致させることができる。これをC&S(Correct and Smooth)と呼ぶ。我々のアプローチは、様々なベンチマークで最先端のGNNの性能を上回るか、ほぼ一致している。
論文参考訳（メタデータ） (2020-10-27T02:10:52Z)
Explaining and Improving Model Behavior with k Nearest Neighbor Representations [107.24850861390196]
モデルの予測に責任のあるトレーニング例を特定するために, k 近傍表現を提案する。我々は,kNN表現が学習した素因関係を明らかにするのに有効であることを示す。以上の結果から,kNN手法により,直交モデルが逆入力に対してより堅牢であることが示唆された。
論文参考訳（メタデータ） (2020-10-18T16:55:25Z)

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。