論文の概要: Inductive Link Prediction on N-ary Relational Facts via Semantic Hypergraph Reasoning
- arxiv url: http://arxiv.org/abs/2503.20676v1
- Date: Wed, 26 Mar 2025 16:09:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-27 13:21:44.545139
- Title: Inductive Link Prediction on N-ary Relational Facts via Semantic Hypergraph Reasoning
- Title（参考訳）: 意味的ハイパーグラフ推論によるN-ary Relational Factsのインダクティブリンク予測
- Authors: Gongzhu Yin, Hongli Zhang, Yuchen Yang, Yi Luo,
- Abstract要約: 我々は,n-aryリレーショナル事実に基づく完全帰納的リンク予測(ILP)のためのn-aryサブグラフ推論フレームワークを提案する。
具体的には,新たなグラフ構造であるn-ary意味ハイパーグラフを導入し,部分グラフ抽出を容易にする。
また、サブグラフ内の複雑な意味的相関を効果的にマイニングするために、サブグラフ集約ネットワークNS-HARTを開発した。
- 参考スコア（独自算出の注目度）: 13.74104688000986
- License:
- Abstract: N-ary relational facts represent semantic correlations among more than two entities. While recent studies have developed link prediction (LP) methods to infer missing relations for knowledge graphs (KGs) containing n-ary relational facts, they are generally limited to transductive settings. Fully inductive settings, where predictions are made on previously unseen entities, remain a significant challenge. As existing methods are mainly entity embedding-based, they struggle to capture entity-independent logical rules. To fill in this gap, we propose an n-ary subgraph reasoning framework for fully inductive link prediction (ILP) on n-ary relational facts. This framework reasons over local subgraphs and has a strong inductive inference ability to capture n-ary patterns. Specifically, we introduce a novel graph structure, the n-ary semantic hypergraph, to facilitate subgraph extraction. Moreover, we develop a subgraph aggregating network, NS-HART, to effectively mine complex semantic correlations within subgraphs. Theoretically, we provide a thorough analysis from the score function optimization perspective to shed light on NS-HART's effectiveness for n-ary ILP tasks. Empirically, we conduct extensive experiments on a series of inductive benchmarks, including transfer reasoning (with and without entity features) and pairwise subgraph reasoning. The results highlight the superiority of the n-ary subgraph reasoning framework and the exceptional inductive ability of NS-HART. The source code of this paper has been made publicly available at https://github.com/yin-gz/Nary-Inductive-SubGraph.
- Abstract（参考訳）: N-aryリレーショナル事実は、2つ以上の実体間の意味的相関を表す。
近年の研究では、n-aryリレーショナル事実を含む知識グラフ(KG)の欠落関係を推測するリンク予測法が開発されているが、一般的にはトランスダクティブな設定に限られている。
未確認のエンティティを予測する、完全な帰納的設定は、依然として大きな課題である。
既存のメソッドは主にエンティティ埋め込みベースであるため、エンティティに依存しない論理ルールをキャプチャするのに苦労する。
このギャップを埋めるために、n-aryリレーショナル事実に対する完全帰納的リンク予測(ILP)のためのn-aryサブグラフ推論フレームワークを提案する。
このフレームワークは局所部分グラフを超越し、n-aryパターンをキャプチャする強い帰納的推論能力を持つ。
具体的には,新たなグラフ構造であるn-ary意味ハイパーグラフを導入し,部分グラフ抽出を容易にする。
さらに,サブグラフ内の複雑な意味的相関を効果的にマイニングするために,サブグラフ集約ネットワークNS-HARTを開発した。
理論的には、 n-ary ILPタスクに対するNS-HARTの有効性について、スコア関数最適化の観点から徹底的な分析を行う。
実験的な実験では,移動推論(実体的特徴を持たずとも)やペア・ワイズ・サブグラフ推論など,一連の帰納的ベンチマークで広範な実験を行う。
その結果, n-ary subgraph reasoning frameworkの優位性とNS-HARTの例外的誘導能力が明らかとなった。
本論文のソースコードはhttps://github.com/yin-gz/Nary-Inductive-SubGraphで公開されている。
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) - EiG-Search: Generating Edge-Induced Subgraphs for GNN Explanation in Linear Time [30.44473492282072]
グラフニューラルネットワーク(GNN)の複雑な探索プロセスによる説明において,既存の部分グラフレベルの説明器の多くは,効率上の課題に直面している。
本稿では,エッジによる部分グラフ説明の誘導が,他の部分グラフ推論手法よりも包括的であることを明らかにする。
我々は、エッジ誘導サブグラフに対して効率的な線形時間探索アルゴリズムを用い、エッジを勾配に基づく重要度でランク付けする。
論文 参考訳（メタデータ） (2024-05-02T21:55:12Z) - Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。
本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。
RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文 参考訳（メタデータ） (2023-09-20T08:11:58Z) - 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) - 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) - Improving Expressivity of GNNs with Subgraph-specific Factor Embedded
Normalization [30.86182962089487]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを扱うための学習アーキテクチャの強力なカテゴリとして登場した。
我々は SUbgraph-sPEcific FactoR Embedded Normalization (SuperNorm) と呼ばれる専用プラグアンドプレイ正規化方式を提案する。
論文 参考訳（メタデータ） (2023-05-31T14:37:31Z) - Subgraph Neighboring Relations Infomax for Inductive Link Prediction on
Knowledge Graphs [4.096203468876652]
Subgraph Neighboring Relations Infomax, SNRI は2つの側面から完全な近隣関係を利用する。
SNRIはインダクティブリンク予測タスクにおいて,既存の最先端手法よりも高い性能を示す実験を行った。
論文 参考訳（メタデータ） (2022-07-28T01:52:39Z) - FactGraph: Evaluating Factuality in Summarization with Semantic Graph
Representations [114.94628499698096]
文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。
MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。
事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
論文 参考訳（メタデータ） (2022-04-13T16:45:33Z) - Deconfounding to Explanation Evaluation in Graph Neural Networks [136.73451468551656]
我々は、全グラフと部分グラフの間に分布シフトが存在し、分布外問題を引き起こすと論じる。
本稿では,モデル予測に対する説明文の因果効果を評価するために,Decon founded Subgraph Evaluation (DSE)を提案する。
論文 参考訳（メタデータ） (2022-01-21T18:05:00Z) - Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。
このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。
本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-20T18:57:18Z)
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。