論文の概要: Cumulative Path-Level Semantic Reasoning for Inductive Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2601.05629v1
• Date: Fri, 09 Jan 2026 08:34:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.914642
• Title: Cumulative Path-Level Semantic Reasoning for Inductive Knowledge Graph Completion
• Title（参考訳）: 帰納的知識グラフ補完のための累積パスレベル意味推論
• Authors: Jiapu Wang, Xinghe Cheng, Zezheng Wu, Ruiqi Ma, Rui Wang, Zhichao Yan, Haoran Luo, Yuhao Jiang, Kai Sun,
• Abstract要約: 本稿では,帰納的知識グラフ補完(CPSR)フレームワークのための累積パスレベルセマンティック推論を提案する。 CPSRは、KGの構造情報と意味情報の両方を同時にキャプチャして、誘導的KGCタスクを強化する。
• 参考スコア（独自算出の注目度）: 9.623163073915741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional Knowledge Graph Completion (KGC) methods aim to infer missing information in incomplete Knowledge Graphs (KGs) by leveraging existing information, which struggle to perform effectively in scenarios involving emerging entities. Inductive KGC methods can handle the emerging entities and relations in KGs, offering greater dynamic adaptability. While existing inductive KGC methods have achieved some success, they also face challenges, such as susceptibility to noisy structural information during reasoning and difficulty in capturing long-range dependencies in reasoning paths. To address these challenges, this paper proposes the Cumulative Path-Level Semantic Reasoning for inductive knowledge graph completion (CPSR) framework, which simultaneously captures both the structural and semantic information of KGs to enhance the inductive KGC task. Specifically, the proposed CPSR employs a query-dependent masking module to adaptively mask noisy structural information while retaining important information closely related to the targets. Additionally, CPSR introduces a global semantic scoring module that evaluates both the individual contributions and the collective impact of nodes along the reasoning path within KGs. The experimental results demonstrate that CPSR achieves state-of-the-art performance.
• Abstract（参考訳）: 従来の知識グラフ補完(KGC)手法は、未完成な知識グラフ(KG)の不足情報を既存の情報を活用することによって推論することを目的としている。 帰納的KGC法はKGの出現する実体と関係を扱うことができ、よりダイナミックな適応性を提供する。 既存の帰納的KGC法はいくつかの成功をおさめたが、推論における構造情報のノイズへの感受性や、推論経路における長距離依存性の取得の難しさといった課題に直面している。 これらの課題に対処するために,帰納的知識グラフ補完(CPSR)のための累積パスレベルセマンティック推論(Cumulative Path-Level Semantic Reasoning)を提案する。 具体的には、クエリ依存マスキングモジュールを用いて、ターゲットと密接に関連する重要な情報を保持しながら、ノイズの多い構造情報を適応的にマスキングする。 さらに、CPSRはグローバルなセマンティックスコアリングモジュールを導入し、KG内の推論経路に沿ったノードの個々のコントリビューションと集団的影響を評価する。 実験の結果,CPSRは最先端の性能を達成できた。

関連論文リスト

• StruProKGR: A Structural and Probabilistic Framework for Sparse Knowledge Graph Reasoning [68.58655814341996]
  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。
  論文  参考訳（メタデータ） (2025-12-14T09:36:58Z)
• KGRAG-Ex: Explainable Retrieval-Augmented Generation with Knowledge Graph-based Perturbations [2.287415292857565]
  知識グラフ(KG)は、エンティティとその関係の構造化された意味的にリッチな表現を導入することで、ソリューションを提供する。 KGRAG-Exは,ドメイン固有のKGを活用することにより,現実的なグラウンド化と説明可能性を改善するRAGシステムである。 ユーザクエリが与えられた場合、KGRAG-Exはグラフ内の関連エンティティとセマンティックパスを特定し、擬似パラグラフに変換する。
  論文  参考訳（メタデータ） (2025-07-11T09:35:13Z)
• LKD-KGC: Domain-Specific KG Construction via LLM-driven Knowledge Dependency Parsing [9.502380540548497]
  知識グラフ(KG)は現実世界の実体とそれらの関係を3重に構成し、様々なタスクに対する機械推論を強化する。 大規模言語モデル(LLM)に基づく知識グラフ構築への最近のアプローチは、効率的であることが証明されている。 教師なしドメイン固有KG構築のための新しいフレームワークであるLKD-KGCを提案する。
  論文  参考訳（メタデータ） (2025-05-30T03:10:23Z)
• Grounding LLM Reasoning with Knowledge Graphs [4.279373869671241]
  我々は、知識グラフと推論戦略を統合することで、KGデータにおける推論チェーンのすべてのステップまたは"思想"をアンカーする。 我々は,Chain-of-Thought (CoT), Tree-of-Thought (ToT), Graph-of-Thought (GoT) など,いくつかの推論手法によるエージェント検索と自動検索の両方を評価した。 我々の実験は、このアプローチがベースラインモデルより一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2025-02-18T19:20:46Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Query-Enhanced Adaptive Semantic Path Reasoning for Inductive Knowledge Graph Completion [45.9995456784049]
  本稿では Query-Enhanced Adaptive Semantic Path Reasoning (QASPR) フレームワークを提案する。 QASPRは、帰納的KGCタスクを強化するために、KGの構造情報と意味情報の両方をキャプチャする。 実験の結果,QASPRは最先端の性能を達成できた。
  論文  参考訳（メタデータ） (2024-06-04T11:02:15Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• 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)

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。