論文の概要: GenIC: An LLM-Based Framework for Instance Completion in Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2505.24036v1
• Date: Thu, 29 May 2025 22:15:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.685158
• Title: GenIC: An LLM-Based Framework for Instance Completion in Knowledge Graphs
• Title（参考訳）: GenIC:知識グラフのインスタンス補完のためのLLMベースのフレームワーク
• Authors: Amel Gader, Alsayed Algergawy,
• Abstract要約: GenIC: 2段階のジェネレーティブ・インスタンス・コンプリート・フレームワークを紹介します。 最初のステップは、マルチラベル分類タスクとして扱われるプロパティ予測に焦点を当てる。 2番目のステップはリンク予測であり、生成シーケンスからシーケンスへのタスクとしてフレーム化されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph completion aims to address the gaps of knowledge bases by adding new triples that represent facts. The complexity of this task depends on how many parts of a triple are already known. Instance completion involves predicting the relation-tail pair when only the head is given (h, ?, ?). Notably, modern knowledge bases often contain entity descriptions and types, which can provide valuable context for inferring missing facts. By leveraging these textual descriptions and the ability of large language models to extract facts from them and recognize patterns within the knowledge graph schema, we propose an LLM-powered, end-to-end instance completion approach. Specifically, we introduce GenIC: a two-step Generative Instance Completion framework. The first step focuses on property prediction, treated as a multi-label classification task. The second step is link prediction, framed as a generative sequence-to-sequence task. Experimental results on three datasets show that our method outperforms existing baselines. Our code is available at https://github.com/amal-gader/genic.
• Abstract（参考訳）: 知識グラフ補完は、事実を表す新しいトリプルを追加することで、知識ベース間のギャップを解決することを目的としている。 このタスクの複雑さは、既に三重項の何部分が知られているかに依存する。 インスタンスのコンプリートは、ヘッドのみが与えられるとき(h, ?, ?)にリレーショナルテールペアを予測する。 特に、現代の知識基盤にはエンティティ記述や型が含まれており、欠落した事実を推測するための貴重なコンテキストを提供することができる。 これらのテキスト記述と大規模言語モデルの活用により、知識グラフスキーマ内の事実を抽出し、パターンを認識することにより、LLMを利用したエンドツーエンドのインスタンス補完手法を提案する。 具体的には、2段階のジェネレーティブインスタンス補完フレームワークであるGenICを紹介します。 最初のステップは、マルチラベル分類タスクとして扱われるプロパティ予測に焦点を当てる。 2番目のステップはリンク予測であり、生成シーケンス・ツー・シーケンスタスクとしてフレーム化されている。 3つのデータセットによる実験結果から,本手法は既存のベースラインよりも優れていることがわかった。 私たちのコードはhttps://github.com/amal-gader/genic.comで公開されています。

関連論文リスト

• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [75.9865035064794]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• TransNet: Transfer Knowledge for Few-shot Knowledge Graph Completion [69.6049217133483]
  転送学習に基づく数ショットKG補完法(TransNet)を提案する。 異なるタスク間の関係を学習することにより、TransNetは、現在のタスクのパフォーマンスを改善するために、類似タスクからの知識を効果的に転送する。
  論文  参考訳（メタデータ） (2025-03-29T23:39:11Z)
• KG-CF: Knowledge Graph Completion with Context Filtering under the Guidance of Large Language Models [55.39134076436266]
  KG-CFはランキングベースの知識グラフ補完タスクに適したフレームワークである。 KG-CFは、LLMの推論能力を活用して、無関係なコンテキストをフィルタリングし、現実世界のデータセットで優れた結果を得る。
  論文  参考訳（メタデータ） (2025-01-06T01:52:15Z)
• Exploring Large Language Models for Knowledge Graph Completion [15.68895534638716]
  我々は知識グラフのトリプルをテキストシーケンスとみなし、知識グラフLLMと呼ばれる革新的なフレームワークを導入する。 提案手法では,三重項の実体的記述と関係的記述をプロンプトとして利用し,その応答を予測に利用する。 種々のベンチマーク知識グラフを用いた実験により,三重分類や関係予測といったタスクにおいて,本手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-08-26T16:51:17Z)
• Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
  本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。 本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。 各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:41:02Z)
• From Discrimination to Generation: Knowledge Graph Completion with Generative Transformer [41.69537736842654]
  我々は、知識グラフ補完を事前学習された言語モデルを用いて、シーケンスからシーケンスへ変換するGenKGCのアプローチを提案する。 本稿では,より優れた表現学習と高速推論を実現するために,関係誘導型実演と実体認識型階層デコーディングを導入する。 また、研究目的のために、新しい大規模中国の知識グラフデータセットAliopenKG500もリリースした。
  論文  参考訳（メタデータ） (2022-02-04T12:52:32Z)
• KGPT: Knowledge-Grounded Pre-Training for Data-to-Text Generation [100.79870384880333]
  知識に富んだテキストを生成するための知識基盤事前学習(KGPT)を提案する。 我々は、その効果を評価するために、3つの設定、すなわち、完全教師付き、ゼロショット、少数ショットを採用します。 ゼロショット設定では、WebNLG上で30 ROUGE-L以上を達成するが、他の全てのベースラインは失敗する。
  論文  参考訳（メタデータ） (2020-10-05T19:59:05Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。