論文の概要: S$^2$DN: Learning to Denoise Unconvincing Knowledge for Inductive Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2412.15822v1
• Date: Fri, 20 Dec 2024 12:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:24:45.576271
• Title: S$^2$DN: Learning to Denoise Unconvincing Knowledge for Inductive Knowledge Graph Completion
• Title（参考訳）: S$2$DN: 帰納的知識グラフ補完のための未知の知識を識別する学習
• Authors: Tengfei Ma, Yujie Chen, Liang Wang, Xuan Lin, Bosheng Song, Xiangxiang Zeng,
• Abstract要約: 帰納的知識グラフ補完のためのセマンティック構造対応デノイングネットワーク(S$2$DN)を提案する。 我々のゴールは、一貫した意味的知識を蒸留するために適応可能な一般的な意味論と信頼できる構造を学ぶことである。 3つのベンチマークKGで実施された実験は、S$2$DNが最先端モデルの性能を上回ることを示した。
• 参考スコア（独自算出の注目度）: 19.09682423796942
• License:
• Abstract: Inductive Knowledge Graph Completion (KGC) aims to infer missing facts between newly emerged entities within knowledge graphs (KGs), posing a significant challenge. While recent studies have shown promising results in inferring such entities through knowledge subgraph reasoning, they suffer from (i) the semantic inconsistencies of similar relations, and (ii) noisy interactions inherent in KGs due to the presence of unconvincing knowledge for emerging entities. To address these challenges, we propose a Semantic Structure-aware Denoising Network (S$^2$DN) for inductive KGC. Our goal is to learn adaptable general semantics and reliable structures to distill consistent semantic knowledge while preserving reliable interactions within KGs. Specifically, we introduce a semantic smoothing module over the enclosing subgraphs to retain the universal semantic knowledge of relations. We incorporate a structure refining module to filter out unreliable interactions and offer additional knowledge, retaining robust structure surrounding target links. Extensive experiments conducted on three benchmark KGs demonstrate that S$^2$DN surpasses the performance of state-of-the-art models. These results demonstrate the effectiveness of S$^2$DN in preserving semantic consistency and enhancing the robustness of filtering out unreliable interactions in contaminated KGs.
• Abstract（参考訳）: 帰納的知識グラフ補完(KGC)は、知識グラフ(KG)内で新たに出現したエンティティ間で行方不明の事実を推測することを目的としており、大きな課題を呈している。 最近の研究では、知識サブグラフ推論を通してそのような実体を推測する有望な結果が示されているが、それらは苦しめられている。 一 類似関係の意味上の矛盾、及び (II)KGsに固有のノイズ相互作用は、新興物質に対する信頼できない知識の存在によって生じる。 これらの課題に対処するために、帰納的KGCのためのセマンティック構造対応デノイングネットワーク(S$^2$DN)を提案する。 我々のゴールは、KG内の信頼性のある相互作用を保ちながら、一貫した意味的知識を蒸留するために適応可能な汎用意味論と信頼できる構造を学ぶことである。 具体的には,関係の普遍的な意味的知識を維持するために,囲む部分グラフ上に意味的平滑化モジュールを導入する。 我々は、信頼できない相互作用をフィルタリングし、追加の知識を提供し、ターゲットリンクを囲む堅牢な構造を保持するために、構造精製モジュールを組み込んだ。 3つのベンチマークKGで実施された大規模な実験は、S$^2$DNが最先端モデルの性能を上回ることを示した。 これらの結果から, 汚染KGにおけるS$^2$DNのセマンティック一貫性の維持と, 信頼性の低い相互作用のフィルタリングの堅牢性向上効果が示された。

関連論文リスト

• Query-Enhanced Adaptive Semantic Path Reasoning for Inductive Knowledge Graph Completion [45.9995456784049]
  本稿では Query-Enhanced Adaptive Semantic Path Reasoning (QASPR) フレームワークを提案する。 QASPRは、帰納的KGCタスクを強化するために、KGの構造情報と意味情報の両方をキャプチャする。 実験の結果,QASPRは最先端の性能を達成できた。
  論文  参考訳（メタデータ） (2024-06-04T11:02:15Z)
• Logical Reasoning with Relation Network for Inductive Knowledge Graph Completion [9.815135283458808]
  帰納的KG完了のための新しいiNfOmax RelAtion Network(NORAN)を提案する。 我々のフレームワークは最先端のKGC手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-06-03T09:30:43Z)
• EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
  Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T02:27:23Z)
• Improving the Robustness of Knowledge-Grounded Dialogue via Contrastive Learning [71.8876256714229]
  本稿では,知識ベース対話システムの堅牢性向上を目的とした,エンティティベースのコントラスト学習フレームワークを提案する。 提案手法は,自動評価スコアの点から,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-01-09T05:16:52Z)
• KGTrust: Evaluating Trustworthiness of SIoT via Knowledge Enhanced Graph Neural Networks [63.531790269009704]
  ソーシャル・インターネット・オブ・モノ(Social Internet of Things, SIoT)は、スマート・オブジェクト(物)にソーシャルネットワークの概念を注入する、有望で新興のパラダイムである。 リスクと不確実性のため、解決すべき重要かつ緊急の問題は、SIoT内で信頼性の高い関係、すなわち信頼評価を確立することである。 本稿では,SIoTにおける信頼度向上のための知識強化グラフニューラルネットワーク(KGTrust)を提案する。
  論文  参考訳（メタデータ） (2023-02-22T14:24:45Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• Link-Intensive Alignment for Incomplete Knowledge Graphs [28.213397255810936]
  本研究では,不完全KGと表現学習の整合性の問題に対処する。 我々のフレームワークは、推移性に基づく2つの特徴チャネルと近接性に基づく2つの特徴チャネルを利用する。 2つの特徴チャネルは、入力KG間で重要な特徴を交換するために共同で学習される。 また,学習過程中に欠落したリンクを検出し,回復するリンク検出装置も開発した。
  論文  参考訳（メタデータ） (2021-12-17T00:41:28Z)
• KGSynNet: A Novel Entity Synonyms Discovery Framework with Knowledge Graph [23.053995137917994]
  emphKGSynNetという新しいエンティティ同義語発見フレームワークを提案する。 具体的には、大規模なドメイン固有コーパスを用いて、参照やエンティティのサブワード埋め込みを事前訓練する。 固有設計のエンフュージョンゲートを用いて、エンティティの知識情報をセマンティックな特徴に適応的に吸収する。
  論文  参考訳（メタデータ） (2021-03-16T07:32:33Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)

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。