論文の概要: ReCDAP: Relation-Based Conditional Diffusion with Attention Pooling for Few-Shot Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2505.07171v1
• Date: Mon, 12 May 2025 01:49:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.237036
• Title: ReCDAP: Relation-Based Conditional Diffusion with Attention Pooling for Few-Shot Knowledge Graph Completion
• Title（参考訳）: ReCDAP:Few-Shotナレッジグラフ補完のためのアテンションプール付き関係ベース条件拡散
• Authors: Jeongho Kim, Chanyeong Heo, Jaehee Jung,
• Abstract要約: 本稿では,知識グラフ補完研究のためのリレーショナルベース条件拡散型アテンションプーリング(ReCDAP)を提案する。 KG に正の情報と非存在負情報を拡散過程に条件付きで組み込むことで、モデルは正と負の関係の潜伏分布を別々に推定する。 2つの広く使われているデータセットの実験により、我々の手法が既存の手法より優れ、最先端の性能を達成することを示した。
• 参考スコア（独自算出の注目度）: 0.5494450075856114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graphs (KGs), composed of triples in the form of (head, relation, tail) and consisting of entities and relations, play a key role in information retrieval systems such as question answering, entity search, and recommendation. In real-world KGs, although many entities exist, the relations exhibit a long-tail distribution, which can hinder information retrieval performance. Previous few-shot knowledge graph completion studies focused exclusively on the positive triple information that exists in the graph or, when negative triples were incorporated, used them merely as a signal to indicate incorrect triples. To overcome this limitation, we propose Relation-Based Conditional Diffusion with Attention Pooling (ReCDAP). First, negative triples are generated by randomly replacing the tail entity in the support set. By conditionally incorporating positive information in the KG and non-existent negative information into the diffusion process, the model separately estimates the latent distributions for positive and negative relations. Moreover, including an attention pooler enables the model to leverage the differences between positive and negative cases explicitly. Experiments on two widely used datasets demonstrate that our method outperforms existing approaches, achieving state-of-the-art performance. The code is available at https://github.com/hou27/ReCDAP-FKGC.
• Abstract（参考訳）: 知識グラフ(KG)は、(頭、関係、尾)の3つ組で構成され、エンティティと関係からなる知識グラフであり、質問応答、エンティティ検索、レコメンデーションなどの情報検索システムにおいて重要な役割を果たす。 現実世界のKGでは、多くの実体が存在するが、その関係は長い尾の分布を示しており、情報検索性能を阻害することができる。 これまでの数発の知識グラフ補完研究は、グラフに存在する正の三重情報や負の三重情報にのみ焦点を合わせ、単に不正確な三重情報を示す信号として用いた。 この制限を克服するため,Relation-Based Conditional Diffusion with Attention Pooling (ReCDAP)を提案する。 まず、サポートセットのテールエンティティをランダムに置き換えることで、負の三重項を生成する。 拡散過程にKGと非存在負の情報を条件付きで組み込むことにより、モデルは正と負の関係の潜伏分布を別々に推定する。 さらに、アテンションプーラを含めることで、肯定的ケースと否定的ケースの差を明示的に活用することができる。 2つの広く使われているデータセットの実験により、我々の手法が既存の手法より優れ、最先端の性能を達成することを示した。 コードはhttps://github.com/hou27/ReCDAP-FKGCで公開されている。

関連論文リスト

• All-in-One: Heterogeneous Interaction Modeling for Cold-Start Rating Prediction [33.09413959289308]
  異種相互作用評価ネットワーク(HIRE)と呼ばれるフレキシブルなフレームワークを提案する。 HIRE線量は、事前に定義された相互作用パターンや、手動で構築された異種情報ネットワークにのみ依存しない。 実験では,実世界の3つのデータセットに対して,3つのコールドスタート設定でモデルを評価する。
  論文  参考訳（メタデータ） (2024-03-26T14:29:34Z)
• IPED: An Implicit Perspective for Relational Triple Extraction based on Diffusion Model [7.894136732348917]
  拡散モデル(IPED)に基づく三重抽出のインプシット・パースペクティブ 拡散モデル(IPED)に基づく三重抽出のためのインプリシト視点を提案する。 私たちのソリューションでは、ブロックカバレッジを使用してテーブルを補完し、明示的なタグ付けメソッドの制限を回避する。
  論文  参考訳（メタデータ） (2024-02-24T14:18:11Z)
• Unsupervised Concept Discovery Mitigates Spurious Correlations [45.48778210340187]
  トレーニングデータにおける急激な相関関係のモデルはしばしば脆い予測を発生させ、意図しないバイアスを導入する。 本稿では,教師なし対象中心学習と突発的相関の緩和の新たな関連性を確立する。 コバルト(CoBalT)は、サブグループの人間のラベル付けを必要とせず、効果的に素早い相関を緩和する概念バランス技術である。
  論文  参考訳（メタデータ） (2024-02-20T20:48:00Z)
• Measuring and Improving Attentiveness to Partial Inputs with Counterfactuals [91.59906995214209]
  我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。 CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。 実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
  論文  参考訳（メタデータ） (2023-11-16T06:27:35Z)
• Few-shot Link Prediction on N-ary Facts [70.8150181683017]
  ハイパーリレーショナル・ファクト(LPHFs)のリンク予測は、ハイパーリレーショナル・事実の欠落要素を予測することである。 Few-Shot Link Prediction on Hyper-Relational Facts (PHFs) は、サポートインスタンスが限定されたハイパーリレーショナルな事実において、欠落したエンティティを予測することを目的としている。
  論文  参考訳（メタデータ） (2023-05-10T12:44:00Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)

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。