論文の概要: Flock: A Knowledge Graph Foundation Model via Learning on Random Walks

• arxiv url: http://arxiv.org/abs/2510.01510v1
• Date: Wed, 01 Oct 2025 23:09:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.897147
• Title: Flock: A Knowledge Graph Foundation Model via Learning on Random Walks
• Title（参考訳）: Flock: ランダムウォークによる学習による知識グラフ基礎モデル
• Authors: Jinwoo Kim, Xingyue Huang, Krzysztof Olejniczak, Kyungbin Min, Michael Bronstein, Seunghoon Hong, İsmail İlkan Ceylan,
• Abstract要約: 知識グラフ(KG)におけるゼロショットリンク予測の問題について検討する。 ランダムウォークを反復的にサンプリングし、記録プロトコルを介してシーケンスにエンコードし、それらをシーケンスモデルで埋め込み、学習プーリングを通じてノードと関係の表現を集約するKGFMであるFlockを提案する。 Flockは、現在のKGFMが失敗する新たな診断データセットPetalsを完璧に解決し、さまざまなドメインから54KGのエンティティおよびリレーショナル予測タスクにおける最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 26.568227939080703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of zero-shot link prediction on knowledge graphs (KGs), which requires models to generalize over novel entities and novel relations. Knowledge graph foundation models (KGFMs) address this task by enforcing equivariance over both nodes and relations, learning from structural properties of nodes and relations, which are then transferable to novel graphs with similar structural properties. However, the conventional notion of deterministic equivariance imposes inherent limits on the expressive power of KGFMs, preventing them from distinguishing structurally similar but semantically distinct relations. To overcome this limitation, we introduce probabilistic node-relation equivariance, which preserves equivariance in distribution while incorporating a principled randomization to break symmetries during inference. Building on this principle, we present Flock, a KGFM that iteratively samples random walks, encodes them into sequences via a recording protocol, embeds them with a sequence model, and aggregates representations of nodes and relations via learned pooling. Crucially, Flock respects probabilistic node-relation equivariance and is a universal approximator for isomorphism-invariant link-level functions over KGs. Empirically, Flock perfectly solves our new diagnostic dataset Petals where current KGFMs fail, and achieves state-of-the-art performances on entity- and relation prediction tasks on 54 KGs from diverse domains.
• Abstract（参考訳）: 本稿では,知識グラフ(KG)におけるゼロショットリンク予測の問題について考察する。 知識グラフ基礎モデル(KGFMs)は、ノードと関係の両方に等分散を課し、ノードの構造的性質と関係から学習することでこの問題に対処する。 しかし、従来の決定論的同値の概念は、KGFMの表現力に固有の制限を課し、構造的に類似しているが意味的に異なる関係を区別することを妨げている。 この制限を克服するために、確率的ノード関係同値を導入し、これは分布の等価性を保ちながら、推論中に対称性を破るために原理化されたランダム化を取り入れている。 この原理に基づいて、ランダムウォークを反復的にサンプリングし、記録プロトコルを介してシーケンスにエンコードし、それらをシーケンスモデルに埋め込み、学習プーリングを通じてノードの表現と関係を集約するKGFMであるFlockを提案する。 重要なことに、Flock は確率的ノード相関同値を尊重し、KG 上の同型不変リンクレベル関数の普遍近似である。 Flockは、現在のKGFMが失敗する新たな診断データセットPetalsを完璧に解決し、さまざまなドメインから54KGのエンティティおよびリレーショナル予測タスクにおける最先端のパフォーマンスを達成する。

関連論文リスト

• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• Causal Models for Growing Networks [4.055489363682199]
  まず、96個の因果有向非巡回グラフ(DAG)モデルをノード対上で列挙する。 次に、ノード境界化の下で閉じた祖先集合を持つ21のクラスに分割する。
  論文  参考訳（メタデータ） (2025-04-01T17:52:24Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
  我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。 ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。 実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
  論文  参考訳（メタデータ） (2022-06-24T08:18:05Z)
• Sparse Communication via Mixed Distributions [29.170302047339174]
  我々は「混合確率変数」の理論基盤を構築する。 本フレームワークは,混合確率変数の表現とサンプリングのための2つの戦略を提案する。 我々は、創発的な通信ベンチマークにおいて、両方のアプローチを実験する。
  論文  参考訳（メタデータ） (2021-08-05T14:49:03Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Machine Learning and Variational Algorithms for Lattice Field Theory [1.198562319289569]
  格子量子場論の研究において、格子理論を定義するパラメータは連続体物理学にアクセスする臨界性に向けて調整されなければならない。 経路積分の領域に適用される輪郭変形に基づいてモンテカルロ推定器を「変形」する手法を提案する。 我々は,フローベースMCMCが臨界減速を緩和し,オブザーシフォールドが原理的応用のばらつきを指数関数的に低減できることを実証した。
  論文  参考訳（メタデータ） (2021-06-03T16:37:05Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Residual Correlation in Graph Neural Network Regression [39.54530450932135]
  我々は条件付き独立仮定が予測力を著しく制限していることを示します。 この問題を解釈可能かつ効率的なフレームワークで解決する。 我々のフレームワークは、競合するベースラインよりもかなり高い精度を実現している。
  論文  参考訳（メタデータ） (2020-02-19T16:32:54Z)

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。