論文の概要: TRIX: A More Expressive Model for Zero-shot Domain Transfer in Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2502.19512v1
• Date: Wed, 26 Feb 2025 19:23:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:50.447714
• Title: TRIX: A More Expressive Model for Zero-shot Domain Transfer in Knowledge Graphs
• Title（参考訳）: TRIX:知識グラフにおけるゼロショットドメイン転送のためのより表現力のあるモデル
• Authors: Yucheng Zhang, Beatrice Bevilacqua, Mikhail Galkin, Bruno Ribeiro,
• Abstract要約: 完全な帰納的知識グラフモデルを複数のドメインでトレーニングし、新しい未知のドメインでゼロショット知識グラフ補完(KGC)を実行することができる。 TRIXと呼ばれる表現的かつ有能な完全帰納モデルを導入する。 TRIXは、ゼロショットエンティティにおける最先端の完全帰納モデルと、新しいドメインにおける関係予測より優れていることを示す。
• 参考スコア（独自算出の注目度）: 10.637403696670301
• License:
• Abstract: Fully inductive knowledge graph models can be trained on multiple domains and subsequently perform zero-shot knowledge graph completion (KGC) in new unseen domains. This is an important capability towards the goal of having foundation models for knowledge graphs. In this work, we introduce a more expressive and capable fully inductive model, dubbed TRIX, which not only yields strictly more expressive triplet embeddings (head entity, relation, tail entity) compared to state-of-the-art methods, but also introduces a new capability: directly handling both entity and relation prediction tasks in inductive settings. Empirically, we show that TRIX outperforms the state-of-the-art fully inductive models in zero-shot entity and relation predictions in new domains, and outperforms large-context LLMs in out-of-domain predictions. The source code is available at https://github.com/yuchengz99/TRIX.
• Abstract（参考訳）: 完全な帰納的知識グラフモデルは複数のドメインでトレーニングでき、その後、新しい未知のドメインでゼロショット知識グラフ補完(KGC)を実行する。 これは知識グラフの基礎モデルを持つことを目標とする重要な機能です。 本研究では, TRIXと呼ばれる, 表現的かつ有能な完全帰納モデルを導入する。このモデルでは, 最先端の手法と比較して, 表現的三重項埋め込み(頭部, 関係, テールエンティティ)を厳密に表現するだけでなく, 帰納的設定において, 関係予測タスクを直接処理する機能も導入する。 実験により、TRIXはゼロショットエンティティにおける最先端の完全な帰納的モデルと、新しいドメインにおける関係予測より優れており、ドメイン外予測において大規模コンテキストLLMよりも優れていることを示す。 ソースコードはhttps://github.com/yuchengz99/TRIXで公開されている。

関連論文リスト

• Efficient Relational Context Perception for Knowledge Graph Completion [25.903926643251076]
  知識グラフ(KG)は知識の構造化された表現を提供するが、しばしば不完全性の課題に悩まされる。 従来の知識グラフ埋め込みモデルは、表現力のある特徴を捉える能力に制限がある。 逐次情報をモデル化し,動的文脈の学習を可能にする三重受容アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-31T11:25:58Z)
• One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs [61.9759512646523]
  複雑なネットワークパターンをキャプチャする強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。 既存のGNNには、慎重にドメイン固有のアーキテクチャ設計と、データセットのスクラッチからのトレーニングが必要です。 我々は、新しいクロスドメイン事前学習フレームワーク「1つのグラフのための1つのモデル」を提案する。
  論文  参考訳（メタデータ） (2024-11-30T01:49:45Z)
• Inference over Unseen Entities, Relations and Literals on Knowledge Graphs [1.7474352892977463]
  知識グラフ埋め込みモデルは、様々な課題に対処するために、トランスダクティブな設定でうまく適用されている。 本稿では、エンティティとリレーションのバイトペアエンコードされたサブワード単位のシーケンスから三重埋め込みを構築するための注意的バイトペアエンコーディング層(BytE)を提案する。 BytEは、知識グラフの埋め込みモデルに、エンティティやリレーションではなくサブワード単位の埋め込みを学習させるため、重み付けによる大規模な機能の再利用につながる。
  論文  参考訳（メタデータ） (2024-10-09T10:20:54Z)
• Large Generative Graph Models [74.58859158271169]
  大規模グラフ生成モデル(LGGM)と呼ばれる新しいグラフ生成モデルを提案する。 事前訓練されたLGGMは、既存のグラフ生成モデルよりもゼロショット生成能力が優れている。 LGGMは、ターゲットドメインからのグラフで簡単に微調整でき、スクラッチから直接トレーニングされたグラフよりも、さらに優れたパフォーマンスを示すことができる。
  論文  参考訳（メタデータ） (2024-06-07T17:41:47Z)
• Zero-Shot Fact-Checking with Semantic Triples and Knowledge Graphs [13.024338745226462]
  クレームとエビデンス文を直接操作する代わりに、外部知識グラフを用いたセマンティックトリプルに分解する。 これにより、特定のトレーニングデータを必要とするモデルを教師する、敵対的なデータセットとドメインに一般化することができる。 提案手法は, FEVER, FEVER-Symmetric, FEVER 2.0, Climate-FEVERにおいて, 従来のゼロショットアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-19T01:48:31Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Towards Few-shot Inductive Link Prediction on Knowledge Graphs: A Relational Anonymous Walk-guided Neural Process Approach [49.00753238429618]
  知識グラフ上のインダクティブリンク予測は,少数ショットリンクを観測した未確認エンティティのリンク不足を予測することを目的としている。 近年の帰納的手法は、目に見えない実体を取り巻く部分グラフを用いて意味情報を取得し、リンクを誘導的に予測する。 本稿では,知識グラフ上の数ショットの帰納的リンク予測をRawNPと表記する,新しいリレーショナル匿名型歩行誘導ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-26T12:02:32Z)
• LUKE-Graph: A Transformer-based Approach with Gated Relational Graph Attention for Cloze-style Reading Comprehension [13.173307471333619]
  本稿では,文書内のエンティティ間の直感的な関係に基づく異種グラフ構築モデルLUKE-Graphを提案する。 次に、アテンション読み込み(RGAT)を用いて、事前学習したLUKEモデルによって符号化されたグラフの推論情報と文脈表現を融合する。 実験結果から,LUKE-Graphはコモンセンス推論による最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-12T14:31:44Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• RAILD: Towards Leveraging Relation Features for Inductive Link Prediction In Knowledge Graphs [1.5469452301122175]
  知識グラフの補完にはRAILD(Relation Aware Inductive Link PreDiction)が提案されている。 RAILDは、見えない実体と見えない関係の両方の表現を学ぶ。
  論文  参考訳（メタデータ） (2022-11-21T12:35:30Z)
• Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
  グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。 具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。 我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-05-08T08:19:40Z)

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。