論文の概要: Navigating Taxonomic Expansions of Entity Sets Driven by Knowledge Bases
- arxiv url: http://arxiv.org/abs/2512.16953v1
- Date: Wed, 17 Dec 2025 17:38:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-22 19:25:54.117996
- Title: Navigating Taxonomic Expansions of Entity Sets Driven by Knowledge Bases
- Title（参考訳）: 知識ベースによるエンティティ集合の分類学的拡張の誘導
- Authors: Pietro Cofone, Giovanni Amendola, Marco Manna, Aldo Ricioppo,
- Abstract要約: 最近の論理ベースのフレームワークでは拡張グラフの概念が導入されている。
2つのエンティティがグラフ内の同等、非互換、または同じノードに属しているかどうかをチェックする推論タスクを形式化する。
これにより、拡張グラフの局所的なインクリメンタルナビゲーションが可能になり、完全なグラフ構築を必要とせずに実用的なアプリケーションをサポートする。
- 参考スコア（独自算出の注目度）: 0.20999222360659606
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recognizing similarities among entities is central to both human cognition and computational intelligence. Within this broader landscape, Entity Set Expansion is one prominent task aimed at taking an initial set of (tuples of) entities and identifying additional ones that share relevant semantic properties with the former -- potentially repeating the process to form increasingly broader sets. However, this ``linear'' approach does not unveil the richer ``taxonomic'' structures present in knowledge resources. A recent logic-based framework introduces the notion of an expansion graph: a rooted directed acyclic graph where each node represents a semantic generalization labeled by a logical formula, and edges encode strict semantic inclusion. This structure supports taxonomic expansions of entity sets driven by knowledge bases. Yet, the potentially large size of such graphs may make full materialization impractical in real-world scenarios. To overcome this, we formalize reasoning tasks that check whether two tuples belong to comparable, incomparable, or the same nodes in the graph. Our results show that, under realistic assumptions -- such as bounding the input or limiting entity descriptions -- these tasks can be implemented efficiently. This enables local, incremental navigation of expansion graphs, supporting practical applications without requiring full graph construction.
- Abstract（参考訳）: 実体間の類似性を認識することは、人間の認識と計算知性の両方の中心である。
この広い視野の中で、Entity Set Expansionは、最初の(タプルの)エンティティのセットを取得し、関連するセマンティックプロパティを前者と共有する追加のエンティティを特定することを目的とした、注目すべきタスクの1つです。
しかし、この `‘linear' アプローチは知識資源に存在する ``taxonomic'' 構造をよりリッチにするものではない。
このグラフでは各ノードが論理式でラベル付けされた意味的一般化を表し、エッジは厳密な意味的包含をエンコードする。
この構造は、知識ベースによって駆動されるエンティティセットの分類学的拡張をサポートする。
しかし、そのようなグラフの潜在的に大きなサイズは、現実のシナリオにおいて完全な物質化を非現実的にする可能性がある。
これを解決するために、グラフ内の2つのタプルが同等、非互換、または同じノードに属するかどうかをチェックする推論タスクを形式化する。
私たちの結果は、入力のバウンドやエンティティ記述の制限といった現実的な仮定の下で、これらのタスクを効率的に実装できることを示している。
これにより、拡張グラフの局所的なインクリメンタルナビゲーションが可能になり、完全なグラフ構築を必要とせずに実用的なアプリケーションをサポートする。
関連論文リスト
- From Features to Structure: Task-Aware Graph Construction for Relational and Tabular Learning with GNNs [6.0757501646966965]
タスク対応グラフ拡張のための統合フレームワークであるauGraphを紹介する。
auGraphは、属性をノードに選択的にプロモートすることで、ベースグラフ構造を強化する。
タスク関連構造信号を注入しながら、元のデータスキーマを保存する。
論文 参考訳（メタデータ） (2025-06-02T20:42:53Z) - In-situ graph reasoning and knowledge expansion using Graph-PReFLexOR [0.0]
グラフ推論とシンボリック抽象化を組み合わせてドメイン知識を動的に拡張するフレームワークであるGraph-PReFLexORを提案する。
強化学習に触発されて、推論は構造化されたマッピングとして定義され、タスクが知識グラフ、抽象パターン、そして最終的には最終回答を生み出す。
その結果、より優れた推論深度と適応性を示し、透明で多分野のAI駆動型発見の可能性を示している。
論文 参考訳（メタデータ） (2025-01-14T13:52:41Z) - Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
タスクツリーを用いたグラフのクロスタスク一般化のための新しい手法を提案する。
本稿では,グラフニューラルネットワーク(GNN)を多種多様なタスクツリー上で事前学習することにより,伝達可能な知識を誘導することを示す。
これにより、最小限の微調整で下流タスクに効率的に適応できる。
論文 参考訳（メタデータ） (2024-12-21T02:07:43Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Counterfactual Explanations for Graph Classification Through the Lenses
of Density [19.53018353016675]
グラフ分類器のインスタンスレベルの反実例記述を生成するための一般密度に基づく反実例探索フレームワークを定義する。
この一般的なフレームワークでは,三角形の開きあるいは閉きによる反実数グラフの探索法と,最大傾きによって駆動される方法の2つの具体的インスタンス化を示す。
提案手法の有効性を7つの脳ネットワークデータセットで評価し, 広く利用されている指標に基づいて生成した偽事実を比較検討した。
論文 参考訳（メタデータ） (2023-07-27T13:28:18Z) - DNG: Taxonomy Expansion by Exploring the Intrinsic Directed Structure on
Non-gaussian Space [15.486066629896149]
本稿では,各ノードを継承特徴(構造部分)と拡張特徴(補足部分)の組み合わせとして明示的に記述する。
Darmois-Skitovich Theorem に触発されて、補足的特徴に対する非ガウス的制約により、この可逆性を実装した。
論文 参考訳（メタデータ） (2023-02-22T06:15:02Z) - Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。
我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。
我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
論文 参考訳（メタデータ） (2022-01-21T09:01:12Z) - Is There More Pattern in Knowledge Graph? Exploring Proximity Pattern
for Knowledge Graph Embedding [13.17623081024394]
知識グラフにおけるそのような意味現象を近接パターンと呼ぶ。
元の知識グラフを用いて、我々は2つのパターンを深くマージするために、連鎖したcouPle-GNNアーキテクチャを設計する。
FB15k-237とWN18RRデータセットで評価され、CP-GNNは知識グラフ補完タスクの最先端の結果を達成する。
論文 参考訳（メタデータ） (2021-10-02T03:50:42Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳（メタデータ） (2021-01-16T16:18:43Z) - Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。
空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。
提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文 参考訳（メタデータ） (2020-11-06T12:17:01Z)
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。