論文の概要: StruProKGR: A Structural and Probabilistic Framework for Sparse Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2512.12613v1
• Date: Sun, 14 Dec 2025 09:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.346188
• Title: StruProKGR: A Structural and Probabilistic Framework for Sparse Knowledge Graph Reasoning
• Title（参考訳）: StruProKGR: スパース知識グラフ推論のための構造的・確率的フレームワーク
• Authors: Yucan Guo, Saiping Guan, Miao Su, Zeya Zhao, Xiaolong Jin, Jiafeng Guo, Xueqi Cheng,
• Abstract要約: スパース知識グラフ(英: Sparse Knowledge Graphs, KG)は、知識が不完全あるいは限定的である現実世界のアプリケーションでよく見られるグラフである。 スパースKGの効率的かつ解釈可能な推論に適した構造的・確率的フレームワークStruProKGRを提案する。
• 参考スコア（独自算出の注目度）: 68.58655814341996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sparse Knowledge Graphs (KGs) are commonly encountered in real-world applications, where knowledge is often incomplete or limited. Sparse KG reasoning, the task of inferring missing knowledge over sparse KGs, is inherently challenging due to the scarcity of knowledge and the difficulty of capturing relational patterns in sparse scenarios. Among all sparse KG reasoning methods, path-based ones have attracted plenty of attention due to their interpretability. Existing path-based methods typically rely on computationally intensive random walks to collect paths, producing paths of variable quality. Additionally, these methods fail to leverage the structured nature of graphs by treating paths independently. To address these shortcomings, we propose a Structural and Probabilistic framework named StruProKGR, tailored for efficient and interpretable reasoning on sparse KGs. StruProKGR utilizes a distance-guided path collection mechanism to significantly reduce computational costs while exploring more relevant paths. It further enhances the reasoning process by incorporating structural information through probabilistic path aggregation, which prioritizes paths that reinforce each other. Extensive experiments on five sparse KG reasoning benchmarks reveal that StruProKGR surpasses existing path-based methods in both effectiveness and efficiency, providing an effective, efficient, and interpretable solution for sparse KG reasoning.
• Abstract（参考訳）: スパース知識グラフ(英: Sparse Knowledge Graphs, KG)は、知識が不完全あるいは限定的である現実世界のアプリケーションでよく見られるグラフである。 スパースKGよりも不足した知識を推測するタスクであるスパースKG推論は、知識の不足とスパースシナリオにおけるリレーショナルパターンのキャプチャの難しさにより本質的に困難である。 スパースなKG推論手法の中で、パスベースの推論は解釈可能性のために多くの注目を集めている。 既存のパスベースの手法は、通常、計算集約的なランダムウォークに頼って経路を収集し、可変品質の経路を生成する。 さらに、これらの手法はパスを独立に扱うことでグラフの構造的性質を活用できない。 これらの欠点に対処するため、スパースKGの効率的かつ解釈可能な推論に適したStruProKGRという構造的・確率的フレームワークを提案する。 StruProKGRは、より関連する経路を探索しながら計算コストを大幅に削減するために、距離誘導経路収集機構を利用する。 さらに、互いに強化する経路を優先する確率的経路集約を通じて構造情報を組み込むことで、推論プロセスをさらに強化する。 5つのスパースKG推論ベンチマークの大規模な実験により、StruProKGRは既存のパスベースの手法を効率と効率の両方で超越し、スパースKG推論の効率的、効率的、解釈可能なソリューションを提供することが明らかになった。

関連論文リスト

• Mixture of Length and Pruning Experts for Knowledge Graphs Reasoning [9.894106590443714]
  パス探索をパーソナライズする実験用混合フレームワークである textbfMoKGR を提案する。 MoKGRは、トランスダクティブとインダクティブの両方で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-07-28T03:30:28Z)
• 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)
• Soft Reasoning Paths for Knowledge Graph Completion [41.04734533217766]
  推論パスは知識グラフ補完(KGC)における信頼できる情報である 現実のアプリケーションでは、計算に手頃なパスが全ての候補エンティティに対して存在することを保証することは困難である。 そこで本研究では,提案アルゴリズムを不備な経路状況に対してより安定にするために,ソフト推論パスを導入する。
  論文  参考訳（メタデータ） (2025-05-06T08:12:48Z)
• K-Paths: Reasoning over Graph Paths for Drug Repurposing and Drug Interaction Prediction [21.72997408572975]
  K-Pathsは、密度の高いバイオメディカル知識グラフから構造化され、多様性があり、生物学的に意味のあるマルチホップパスを抽出する、モデルに依存しない検索フレームワークである。 これらの経路は、保存されていない薬物・薬物・消毒相互作用の予測を可能にする。 実験によると、K-Pathsは最先端の言語モデル間でゼロショット推論を改善する。
  論文  参考訳（メタデータ） (2025-02-18T23:55:24Z)
• Anchoring Path for Inductive Relation Prediction in Knowledge Graphs [69.81600732388182]
  APSTはAPとCPを統一されたSentence Transformerアーキテクチャの入力として扱う。 我々は3つの公開データセット上でAPSTを評価し、36のトランスダクティブ、インダクティブ、および数ショットの実験的設定のうち30の最先端(SOTA)性能を達成する。
  論文  参考訳（メタデータ） (2023-12-21T06:02:25Z)
• Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge Graph Completion [20.45256490854869]
  本稿では,エンティティ間の価値ある長距離依存性を自動的にキャプチャできる新しいフレームワークLR-GCNを提案する。 提案手法は、GNNベースの予測器と推論経路蒸留器の2つの主成分からなる。
  論文  参考訳（メタデータ） (2023-06-29T15:35:34Z)
• River of No Return: Graph Percolation Embeddings for Efficient Knowledge Graph Reasoning [16.143817898963785]
  知識グラフ推論のためのグラフニューラルネットワーク(GNN)に基づく埋め込み技術について検討する。 モデルトレーニングにおいて,パスエンコーディングとメッセージパッシングに基づく最先端KG推論モデルにおけるパス冗長性の問題と,変換エラーへのメッセージパッシングを初めてリンクする。 流体力学におけるパーコレーションモデルによる効率的なグラフパーコレーションプロセスを提案し,グラフパーコレーション埋め込み(GraPE)と呼ばれる軽量なGNNベースのKG推論フレームワークを設計する。
  論文  参考訳（メタデータ） (2023-05-17T06:13:28Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• Joint Semantics and Data-Driven Path Representation for Knowledge Graph Inference [60.048447849653876]
  我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。 提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
  論文  参考訳（メタデータ） (2020-10-06T10:24:45Z)

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。