論文の概要: A Survey of Task-Oriented Knowledge Graph Reasoning: Status, Applications, and Prospects

• arxiv url: http://arxiv.org/abs/2506.11012v1
• Date: Sun, 27 Apr 2025 09:42:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.469599
• Title: A Survey of Task-Oriented Knowledge Graph Reasoning: Status, Applications, and Prospects
• Title（参考訳）: タスク指向知識グラフ推論の現状と展望
• Authors: Guanglin Niu, Bo Li, Yangguang Lin,
• Abstract要約: 知識グラフ推論(KGR)は、KGにおける既存の事実に基づいて新しい知識を推論することを目的としている。 本研究は,KGR分野における重要な研究動向と今後の方向性について概説することを目的としている。
• 参考スコア（独自算出の注目度）: 9.174737809840416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) have emerged as a powerful paradigm for structuring and leveraging diverse real-world knowledge, which serve as a fundamental technology for enabling cognitive intelligence systems with advanced understanding and reasoning capabilities. Knowledge graph reasoning (KGR) aims to infer new knowledge based on existing facts in KGs, playing a crucial role in applications such as public security intelligence, intelligent healthcare, and financial risk assessment. From a task-centric perspective, existing KGR approaches can be broadly classified into static single-step KGR, static multi-step KGR, dynamic KGR, multi-modal KGR, few-shot KGR, and inductive KGR. While existing surveys have covered these six types of KGR tasks, a comprehensive review that systematically summarizes all KGR tasks particularly including downstream applications and more challenging reasoning paradigms remains lacking. In contrast to previous works, this survey provides a more comprehensive perspective on the research of KGR by categorizing approaches based on primary reasoning tasks, downstream application tasks, and potential challenging reasoning tasks. Besides, we explore advanced techniques, such as large language models (LLMs), and their impact on KGR. This work aims to highlight key research trends and outline promising future directions in the field of KGR.
• Abstract（参考訳）: 知識グラフ(KG)は、多様な現実世界の知識を構造化し活用するための強力なパラダイムとして登場し、高度な理解と推論能力を備えた認知知システムを実現するための基本的な技術として機能している。 知識グラフ推論(KGR)は、KGの既存の事実に基づいて新しい知識を推論することを目的としており、公共セキュリティインテリジェンス、インテリジェントヘルスケア、金融リスクアセスメントなどのアプリケーションにおいて重要な役割を果たす。 タスク中心の観点からは、既存のKGRアプローチは、静的シングルステップKGR、静的マルチステップKGR、動的KGR、マルチモーダルKGR、少数ショットKGR、帰納的KGRに大きく分類することができる。 既存の調査では、これら6種類のKGRタスクをカバーしているが、特に下流アプリケーションやより困難な推論パラダイムを含むすべてのKGRタスクを体系的に要約した総合的なレビューは、まだ不足している。 従来の研究とは対照的に、本調査は、主要な推論タスク、下流アプリケーションタスク、潜在的に困難な推論タスクに基づいてアプローチを分類することで、KGRの研究をより包括的な視点を提供する。 さらに,大規模言語モデル(LLM)などの高度な技術や,KGRへの影響についても検討する。 本研究は,KGR分野における重要な研究動向と今後の方向性について概説することを目的としている。

関連論文リスト

• Beyond Completion: A Foundation Model for General Knowledge Graph Reasoning [42.93788746991493]
  MERRYは一般知識グラフ推論の基礎モデルである。 テキストと構造的モダリティのギャップを埋めるためのアーキテクチャを符号化する条件付きメッセージパッシング(CMP)を提案する。 28のデータセットに対する総合的な評価は、ほとんどのシナリオでMERRYが既存のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-05-28T03:21:28Z)
• All Your Knowledge Belongs to Us: Stealing Knowledge Graphs via Reasoning APIs [7.685940197285116]
  我々は,限られたクエリ予算の下で,機密性の高いサブKGを高い忠実度で抽出する攻撃であるKGXを提案する。 実験および実世界のKGR APIに対するKGXの有効性を検証する。 以上の結果から,KGRシステムの開発・展開において,より原則的なアプローチの必要性が示唆された。
  論文  参考訳（メタデータ） (2025-03-12T18:18:44Z)
• Towards Trustworthy Retrieval Augmented Generation for Large Language Models: A Survey [92.36487127683053]
  Retrieval-Augmented Generation (RAG)は、AIGC(AIGC)の課題に対処するために設計された高度な技術である。 RAGは信頼性と最新の外部知識を提供し、幻覚を減らし、幅広いタスクで関連するコンテキストを保証する。 RAGの成功と可能性にもかかわらず、最近の研究により、RAGパラダイムはプライバシーの懸念、敵対的攻撃、説明責任の問題など、新たなリスクももたらしていることが示されている。
  論文  参考訳（メタデータ） (2025-02-08T06:50:47Z)
• A Comprehensive Survey of Retrieval-Augmented Generation (RAG): Evolution, Current Landscape and Future Directions [0.0]
  RAGは、検索機構と生成言語モデルを組み合わせることで、出力の精度を高める。 近年の研究では, 検索効率向上のための新しい手法が注目されている。 RAGモデルの堅牢性向上に焦点をあてた今後の研究方向性が提案されている。
  論文  参考訳（メタデータ） (2024-10-03T22:29:47Z)
• On the Security Risks of Knowledge Graph Reasoning [71.64027889145261]
  我々は、敵の目標、知識、攻撃ベクトルに応じて、KGRに対するセキュリティ脅威を体系化する。 我々は、このような脅威をインスタンス化する新しいタイプの攻撃であるROARを提示する。 ROARに対する潜在的な対策として,潜在的に有毒な知識のフィルタリングや,対向的な拡張クエリによるトレーニングについて検討する。
  論文  参考訳（メタデータ） (2023-05-03T18:47:42Z)
• 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)

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。