論文の概要: Improving Graph Embeddings in Machine Learning Using Knowledge Completion with Validation in a Case Study on COVID-19 Spread
- arxiv url: http://arxiv.org/abs/2511.12071v1
- Date: Sat, 15 Nov 2025 07:24:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:23.583271
- Title: Improving Graph Embeddings in Machine Learning Using Knowledge Completion with Validation in a Case Study on COVID-19 Spread
- Title（参考訳）: バリデーションによる知識補完を用いた機械学習におけるグラフ埋め込みの改善 : 新型コロナウイルス感染拡大の事例研究
- Authors: Rosario Napoli, Gabriele Morabito, Antonio Celesti, Massimo Villari, Maria Fazio,
- Abstract要約: グラフ埋め込み(GE)は、知識グラフ(KG)からベクトル空間にマッピングすることで、ノード分類やリンク予測といったタスクを可能にする。
本稿では,埋め込み前の潜在データセットのセマンティクスを明らかにするために,知識コンプリートフェーズを統合したGMLパイプラインを提案する。
実験により、GMLパイプラインは埋め込み空間の幾何学を著しく変化させ、その導入は単なるエンリッチメントではなく、グラフ表現の質を再定義する変換ステップであることを示した。
- 参考スコア（独自算出の注目度）: 1.0308647202215706
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The rise of graph-structured data has driven major advances in Graph Machine Learning (GML), where graph embeddings (GEs) map features from Knowledge Graphs (KGs) into vector spaces, enabling tasks like node classification and link prediction. However, since GEs are derived from explicit topology and features, they may miss crucial implicit knowledge hidden in seemingly sparse datasets, affecting graph structure and their representation. We propose a GML pipeline that integrates a Knowledge Completion (KC) phase to uncover latent dataset semantics before embedding generation. Focusing on transitive relations, we model hidden connections with decay-based inference functions, reshaping graph topology, with consequences on embedding dynamics and aggregation processes in GraphSAGE and Node2Vec. Experiments show that our GML pipeline significantly alters the embedding space geometry, demonstrating that its introduction is not just a simple enrichment but a transformative step that redefines graph representation quality.
- Abstract（参考訳）: グラフ構造化データの台頭はグラフ機械学習(GML)の大きな進歩を招き、グラフ埋め込み(GE)は知識グラフ(KG)からベクトル空間に機能をマッピングし、ノード分類やリンク予測といったタスクを可能にする。
しかし、GEは明示的なトポロジと特徴から派生しているため、一見スパースなデータセットに隠された重要な暗黙の知識を見逃し、グラフ構造とその表現に影響を与える可能性がある。
埋め込み生成に先立って,KC(Knowledge Completion)フェーズを統合して潜在データセットのセマンティクスを明らかにするGMLパイプラインを提案する。
推移的関係に着目して、崩壊に基づく推論関数と隠れた接続をモデル化し、グラフトポロジーを再構築し、グラフSAGEとNode2Vecの埋め込みダイナミクスと集約プロセスに結果をもたらす。
実験により、GMLパイプラインは埋め込み空間の幾何学を著しく変化させ、その導入は単なるエンリッチメントではなく、グラフ表現の質を再定義する変換ステップであることを示した。
関連論文リスト
- Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。
4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
論文 参考訳（メタデータ） (2026-01-23T05:41:05Z) - Bi-View Embedding Fusion: A Hybrid Learning Approach for Knowledge Graph's Nodes Classification Addressing Problems with Limited Data [1.0308647202215706]
Bi-Viewは、ナレッジグラフのノード機能の情報的内容を増加させる、新しいハイブリッドアプローチである。
このアプローチは、特に初期機能に乏しいシナリオにおいて、ダウンストリームタスクのパフォーマンスを改善します。
論文 参考訳（メタデータ） (2025-11-17T06:45:14Z) - Unlocking Advanced Graph Machine Learning Insights through Knowledge Completion on Neo4j Graph Database [1.1059590443280725]
本稿では,GDB-GMLアプリケーションに知識補完フェーズを統合する革新的なアーキテクチャを提案する。
隠れた知識を明らかにすることがデータセットの振る舞いやメトリクスにどのように影響するかを示します。
実験結果から,我々の直観はトポロジと全体データセットのダイナミックスの両方に大きく反することがわかった。
論文 参考訳（メタデータ） (2025-11-14T15:27:31Z) - Community-Centric Graph Unlearning [10.906555492206959]
我々は、新しいグラフ構造マッピング・アンラーニング・パラダイム(GSMU)と、それに基づく新しい手法CGE(Community-centric Graph Eraser)を提案する。
CGEは、コミュニティのサブグラフをノードにマッピングすることで、少ないマップ付きグラフ内でノードレベルの未学習操作の再構築を可能にする。
論文 参考訳（メタデータ） (2024-08-19T05:37:35Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。
主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。
この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
論文 参考訳（メタデータ） (2024-03-02T08:05:03Z) - GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。
既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。
グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
論文 参考訳（メタデータ） (2024-02-23T08:29:42Z) - A Representation Learning Framework for Property Graphs [33.04077644004356]
グラフ埋め込み処理にノード特性とエッジ特性を組み込んだグラフ表現学習フレームワークであるPGEを提案する。
実世界のデータセット上でのノード分類やリンク予測などのベンチマークアプリケーションにおいて,PGEが最先端のグラフ埋め込み手法よりも優れた埋め込み結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-27T10:36:57Z) - GraphMAE: Self-Supervised Masked Graph Autoencoders [52.06140191214428]
本稿では,自己教師付きグラフ学習における課題を軽減するマスク付きグラフオートエンコーダGraphMAEを提案する。
我々は3つの異なるグラフ学習タスクに対して、21の公開データセットに関する広範な実験を行った。
その結果,GraphMAEはグラフオートエンコーダであり,設計に注意を払っている。
論文 参考訳（メタデータ） (2022-05-22T11:57:08Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T02:58:36Z) - Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。
具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文 参考訳（メタデータ） (2022-01-17T11:57:29Z) - Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。
本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。
いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文 参考訳（メタデータ） (2020-03-10T02:33:14Z)
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。