論文の概要: TA-KAND: Two-stage Attention Triple Enhancement and U-KAN based Diffusion For Few-shot Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2512.12182v1
• Date: Sat, 13 Dec 2025 05:04:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.149557
• Title: TA-KAND: Two-stage Attention Triple Enhancement and U-KAN based Diffusion For Few-shot Knowledge Graph Completion
• Title（参考訳）: TA-KAND:2段階アテンショントリプル強化とU-KANによる知識グラフ補完のための拡散
• Authors: Xinyu Gao,
• Abstract要約: 知識グラフはインテリジェントな質問応答、レコメンダシステム、その他の領域に広く応用されている。 実世界のデータは、必然的に長い尾を持つ関係の分布を表現し、限られたサンプルで行方不明の事実を完遂することが不可欠である。 本稿では,U-KANに基づく拡散モデルと2段階のアテンショントリプルエンハンサーを統合した数ショットの知識グラフ補完フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.690889651373437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graphs (KGs), thanks to their concise and efficient triple-based structure, have been widely applied in intelligent question answering, recommender systems and other domains. However, the heterogeneous and multifaceted nature of real-world data inevitably renders the distribution of relations long-tailed, making it crucial to complete missing facts with limited samples. Previous studies mainly based on metric matching or meta learning, yet they either fail to fully exploit neighborhood information in graph or overlook the distributional characteristics of contrastive signals. In this paper, we re-examine the problem from a perspective of generative representation and propose a few-shot knowledge graph completion framework that integrates two-stage attention triple enhancer with U-KAN based diffusion model. Extensive experiments on two public datasets show that our method achieve new state-of-the-art results.
• Abstract（参考訳）: 知識グラフ(KG)は、その簡潔で効率的な三重構造のおかげで、インテリジェントな質問応答やレコメンダシステム、その他の領域に広く応用されている。 しかし、現実世界のデータの不均一で多面的な性質は、必然的に長い尾を持つ関係の分布を招き、限られたサンプルで欠落した事実を完遂することが不可欠である。 これまでの研究は主にメートル法マッチングやメタラーニングに基づいていたが、グラフ内の近隣情報を完全に活用できなかったり、対照的な信号の分布特性を見落としていたりする。 本稿では、生成表現の観点から問題を再検討し、U-KANに基づく拡散モデルと2段階の注意トリプルエンハンサーを統合した数ショットの知識グラフ補完フレームワークを提案する。 2つの公開データセットに対する大規模な実験により,本手法は新たな最先端結果が得られることが示された。

関連論文リスト

• Improving Knowledge Graph Embeddings through Contrastive Learning with Negative Statements [3.4591414173342643]
  我々は,明示的に宣言された否定文を知識埋め込み学習プロセスに統合する新しいアプローチを導入する。 提案手法は汎用知識グラフとドメイン固有知識グラフの両方で評価され,リンク予測と3重分類タスクに着目した。
  論文  参考訳（メタデータ） (2025-10-13T19:21:37Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• GraphOracle: A Foundation Model for Knowledge Graph Reasoning [9.894106590443714]
  知識グラフ間の推論を統一する関係中心基盤モデルであるtextbftextscGraphOracleを紹介する。 クエリ依存型アテンション機構は,関係性と実体性の両方について帰納的表現を学習するために開発された。 多様な知識グラフの事前学習と、数分レベルの微調整により、実体、関係、グラフ全体に対する効果的な一般化が可能となる。
  論文  参考訳（メタデータ） (2025-05-16T11:14:57Z)
• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• DiffAugment: Diffusion based Long-Tailed Visual Relationship Recognition [43.01467525231004]
  DiffAugment は WordNet を利用して言語空間のテールクラスを拡張する手法である。 本研究は, テールクラスに対する視覚的埋め込み生成における硬度認識拡散の有効性を実証する。 また,生成した視覚的埋め込みの識別能力を向上する,拡散サンプリングのための新しい主題とオブジェクトベースのシード戦略を提案する。
  論文  参考訳（メタデータ） (2024-01-01T21:20:43Z)
• DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
  本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。 3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
  論文  参考訳（メタデータ） (2022-10-18T11:28:21Z)
• Repurposing Knowledge Graph Embeddings for Triple Representation via Weak Supervision [77.34726150561087]
  現在の方法では、事前訓練されたモデルからの実体と述語埋め込みを使わずに、スクラッチから三重埋め込みを学習する。 本研究では,知識グラフからトリプルを自動抽出し,事前学習した埋め込みモデルからそれらのペアの類似性を推定する手法を開発した。 これらのペアの類似度スコアは、細い三重表現のためにシームズ様のニューラルネットワークに供給される。
  論文  参考訳（メタデータ） (2022-08-22T14:07:08Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
  本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。 ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。 各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
  論文  参考訳（メタデータ） (2020-06-09T16:33:49Z)

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。