論文の概要: Geometric Structural Knowledge Graph Foundation Model

• arxiv url: http://arxiv.org/abs/2512.22931v1
• Date: Sun, 28 Dec 2025 13:53:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.286674
• Title: Geometric Structural Knowledge Graph Foundation Model
• Title（参考訳）: 幾何学的構造知識グラフ基礎モデル
• Authors: Ling Xin, Mojtaba Nayyeri, Zahra Makki Nayeri, Steffen Staab,
• Abstract要約: 本稿では,知識グラフ推論に多頭部幾何的注意を導入する新しい基礎モデルGammaを提案する。 Gammaは単一のリレーショナル変換を、実数、複素数、分割複素数、双対数に基づく変換を含む複数の並列変換に置き換える。 リレーショナル条件付アテンション融合機構は、エントロピー正則化を伴う軽量ゲーティングを介してリンクレベルでそれらを適応的に融合する。
• 参考スコア（独自算出の注目度）: 15.955575802718007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structural knowledge graph foundation models aim to generalize reasoning to completely new graphs with unseen entities and relations. A key limitation of existing approaches like Ultra is their reliance on a single relational transformation (e.g., element-wise multiplication) in message passing, which can constrain expressiveness and fail to capture diverse relational and structural patterns exhibited on diverse graphs. In this paper, we propose Gamma, a novel foundation model that introduces multi-head geometric attention to knowledge graph reasoning. Gamma replaces the single relational transformation with multiple parallel ones, including real, complex, split-complex, and dual number based transformations, each designed to model different relational structures. A relational conditioned attention fusion mechanism then adaptively fuses them at link level via a lightweight gating with entropy regularization, allowing the model to robustly emphasize the most appropriate relational bias for each triple pattern. We present a full formalization of these algebraic message functions and discuss how their combination increases expressiveness beyond any single space. Comprehensive experiments on 56 diverse knowledge graphs demonstrate that Gamma consistently outperforms Ultra in zero-shot inductive link prediction, with a 5.5% improvement in mean reciprocal rank on the inductive benchmarks and a 4.4% improvement across all benchmarks, highlighting benefits from complementary geometric representations.
• Abstract（参考訳）: 構造知識グラフ基礎モデルは、未知の実体と関係を持つ全く新しいグラフへの推論を一般化することを目的としている。 Ultraのような既存のアプローチの鍵となる制限は、メッセージパッシングにおける単一のリレーショナル変換(例えば、要素の乗算)に依存していることだ。 本稿では,知識グラフ推論に多頭部幾何学的注意を取り入れた新しい基礎モデルGammaを提案する。 Gammaは単一のリレーショナル変換を、実数、複素数、分割複素数、双対数に基づく変換を含む複数の並列変換に置き換え、それぞれ異なるリレーショナル構造をモデル化するように設計されている。 リレーショナル条件付きアテンション融合機構は、エントロピー正則化を伴う軽量ゲーティングを介してリンクレベルでそれらを適応的に融合し、モデルが各トリプルパターンに対して最も適切なリレーショナルバイアスを強く強調することを可能にする。 これらの代数的メッセージ関数の完全形式化を示し、それらの組み合わせが任意の単一空間を超えて表現性を高める方法について論じる。 56種類の知識グラフに関する総合的な実験により、ガンマはゼロショットの帰納的リンク予測においてウルトラを一貫して上回り、帰納的ベンチマークにおける平均相互ランクは5.5%改善され、全てのベンチマークで4.4%改善され、相補的な幾何学的表現の利点が強調された。

関連論文リスト

• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• SMART: Relation-Aware Learning of Geometric Representations for Knowledge Graphs [7.612535740166837]
  本稿では,各関係が幾何変換にどのように適合するかを評価する枠組みを提案する。 このランキングに基づいて、モデルは、(1)各関係にベストマッチ変換を割り当てるか、(2)すべての関係に適用される1つの変換タイプを選択するために過半数投票を使用する。
  論文  参考訳（メタデータ） (2025-07-17T11:18:08Z)
• 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)
• Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
  グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。 本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。 我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
  論文  参考訳（メタデータ） (2024-11-08T17:40:43Z)
• GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
  Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ 我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
  論文  参考訳（メタデータ） (2024-07-08T01:06:13Z)
• STaR: Knowledge Graph Embedding by Scaling, Translation and Rotation [20.297699026433065]
  ビリニア法は知識グラフ埋め込み(KGE)において主流であり、実体と関係性の低次元表現を学習することを目的としている。 以前の研究では、主に非可換性のような6つの重要なパターンが発見されている。 上述の2つの部分からなるバイリニアモデルスケーリング翻訳・回転(STaR)を提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:06:22Z)
• Learning Representations of Entities and Relations [0.0]
  この論文は,リンク予測タスクに取り組むことを目的とした知識グラフ表現の改善に焦点を当てている。 最初のコントリビューションはHypERであり、リンク予測性能を単純化し改善する畳み込みモデルである。 第2のコントリビューションは比較的単純な線形モデルであるTuckERで、このモデルが導入された時点では、最先端のリンク予測性能が得られた。 第3の貢献は、双曲空間に埋め込まれた最初のマルチリレーショナルグラフ表現モデルである MuRP である。
  論文  参考訳（メタデータ） (2022-01-31T09:24:43Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)
• DensE: An Enhanced Non-commutative Representation for Knowledge Graph Embedding with Adaptive Semantic Hierarchy [4.607120217372668]
  本研究では,関係の複雑な構成パターンをモデル化するための新しい知識グラフ埋め込み手法DensEを開発した。 本手法は,SO(3)群に基づく回転作用素と3次元ユークリッド空間におけるスケーリング作用素に各関係を分解する。 複数のベンチマーク知識グラフの実験結果から、DensEはリンク予測の欠如に対して現在の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2020-08-11T06:45:50Z)

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。