論文の概要: Structural Alignment in Link Prediction

• arxiv url: http://arxiv.org/abs/2505.04939v1
• Date: Thu, 08 May 2025 04:27:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.74447
• Title: Structural Alignment in Link Prediction
• Title（参考訳）: リンク予測における構造アライメント
• Authors: Jeffrey Seathrún Sardina,
• Abstract要約: この論文は、KGデータモデリングとリンク予測に対するフィールドのアプローチに関する別の視点を提案する。 この研究は、グラフ構造第一の観点からKGと最先端リンク予測器を再解析する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While Knowledge Graphs (KGs) have become increasingly popular across various scientific disciplines for their ability to model and interlink huge quantities of data, essentially all real-world KGs are known to be incomplete. As such, with the growth of KG use has been a concurrent development of machine learning tools designed to predict missing information in KGs, which is referred to as the Link Prediction Task. The majority of state-of-the-art link predictors to date have followed an embedding-based paradigm. In this paradigm, it is assumed that the information content of a KG is best represented by the (individual) vector representations of its nodes and edges, and that therefore node and edge embeddings are particularly well-suited to performing link prediction. This thesis proposes an alternative perspective on the field's approach to link prediction and KG data modelling. Specifically, this work re-analyses KGs and state-of-the-art link predictors from a graph-structure-first perspective that models the information content of a KG in terms of whole triples, rather than individual nodes and edges. Following a literature review and two core sets of experiments, this thesis concludes that a structure-first perspective on KGs and link prediction is both viable and useful for understanding KG learning and for enabling cross-KG transfer learning for the link prediction task. This observation is used to create and propose the Structural Alignment Hypothesis, which postulates that link prediction can be understood and modelled as a structural task. All code and data used for this thesis are open-sourced. This thesis was written bilingually, with the main document in English and an informal extended summary in Irish. An Irish-language translation dictionary of machine learning terms (the Focl\'oir Tr\'achtais) created for this work is open-sourced as well.
• Abstract（参考訳）: 知識グラフ(KG)は、膨大な量のデータをモデル化し、インターリンクする能力のために、様々な科学分野で人気が高まりつつあるが、現実のすべてのKGは本質的に不完全であることが知られている。 そのため、KGの成長に伴い、KGの不足情報を予測するための機械学習ツールが同時に開発され、リンク予測タスクと呼ばれるようになった。 現在まで、最先端のリンク予測器の大半は、埋め込みベースのパラダイムに従っている。 このパラダイムでは、KGの情報内容はそのノードとエッジの(個々に)ベクトル表現によって最もよく表現され、従ってノードとエッジの埋め込みはリンク予測に特に適していると仮定する。 この論文は、KGデータモデリングとリンク予測に対するフィールドのアプローチに関する別の視点を提案する。 具体的には、グラフ構造第一の観点からKGと最先端リンク予測器を再解析し、個々のノードやエッジではなく、全体のトリプルの観点からKGの情報内容をモデル化する。 文献レビューと2つの実験のコアセットに続いて、この論文は、KGsとリンク予測に関する構造第一の視点は、KG学習の理解とリンク予測タスクのためのクロスKG転送学習の実現の両方に有効であり有用である、と結論付けている。 この観察は、リンク予測が構造的タスクとして理解されモデル化できると仮定した構造的アライメント仮説の作成と提案に使用される。 この論文で使用されるコードとデータは、すべてオープンソースである。 この論文はバイリンガルに書かれており、主要な文書は英語で書かれ、非公式にアイルランド語で要約された。 アイルランド語で書かれた機械学習用語の翻訳辞書(Foccl\'oir Tr\'achtais)もオープンソース化されている。

関連論文リスト

• GLTW: Joint Improved Graph Transformer and LLM via Three-Word Language for Knowledge Graph Completion [52.026016846945424]
  我々は、KGの構造情報をエンコードし、それを大規模言語モデルにマージするGLTWと呼ばれる新しい手法を提案する。 具体的には、局所構造情報とグローバル構造情報の両方を効果的に符号化する改良されたグラフ変換器(iGT)を導入する。 また,KG内のすべてのエンティティを分類対象として用いたサブグラフに基づく多分類学習目標を開発し,学習効率を向上する。
  論文  参考訳（メタデータ） (2025-02-17T06:02:59Z)
• Knowledge Graph Completion using Structural and Textual Embeddings [0.0]
  本稿では,知識グラフ内のテキスト情報と構造情報の両方を利用する関係予測モデルを提案する。 本手法では,歩行に基づく埋め込みと言語モデル埋め込みを統合し,ノードを効果的に表現する。 本研究では,広く利用されているデータセットで評価した場合,関係予測タスクにおける競合結果が得られたことを実証する。
  論文  参考訳（メタデータ） (2024-04-24T21:04:14Z)
• A Retrieve-and-Read Framework for Knowledge Graph Link Prediction [13.91545690758128]
  知識グラフ(KG)リンク予測は、KGの既存の事実に基づいて新しい事実を推測することを目的としている。 近年の研究では、グラフニューラルネットワーク(GNN)によるノードのグラフ近傍の利用は、単にクエリ情報を使用するよりも有用な情報を提供することが示された。 本稿では,まずクエリの関連部分グラフコンテキストを検索し,そのコンテキストとクエリを高容量の読者と共同で処理する新しい検索・読解フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-19T18:50:54Z)
• Deep Bidirectional Language-Knowledge Graph Pretraining [159.9645181522436]
  DRAGONは、テキストとKGを大規模に融合した言語知識基盤モデルを事前学習するための自己教師型アプローチである。 我々のモデルは、入力としてテキストセグメントと関連するKGサブグラフのペアを取り、両モードから情報を双方向に融合する。
  論文  参考訳（メタデータ） (2022-10-17T18:02:52Z)
• Disconnected Emerging Knowledge Graph Oriented Inductive Link Prediction [0.0]
  我々はDECG-ILP(Disconnect Emerging Knowledge Graph Oriented Inductive Link Prediction)という新しいモデルを提案する。 CLRMは、元のKGとDECG間で共有されるグローバルな関係に基づく意味的特徴を抽出するために開発された。 モジュールGSMは、各リンク周辺の局所部分グラフトポロジ情報をKGで抽出するために提案される。
  論文  参考訳（メタデータ） (2022-09-03T10:58:24Z)
• 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)
• Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
  コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。 本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。 InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端の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） (2020-09-19T16:10:26Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。