論文の概要: THOR: Inductive Link Prediction over Hyper-Relational Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2602.05424v1
• Date: Thu, 05 Feb 2026 08:15:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.833873
• Title: THOR: Inductive Link Prediction over Hyper-Relational Knowledge Graphs
• Title（参考訳）: THOR:ハイパーリレーショナル知識グラフを用いたインダクティブリンク予測
• Authors: Weijian Yu, Yuhuan Lu, Dingqi Yang,
• Abstract要約: ハイパーリレーショナルknOwledge gRaphsのインダクティブリンク予測手法THORを提案する。 THORは、2つの並列グラフエンコーダとトランスフォーマーデコーダを持つ2つの基礎グラフから学習するために設計されている。 その結果、THORは、66.1%、55.9%、20.4%の改善率で、最も優れたルールベース、半インダクティブ、完全インダクティブ技術よりも大きなベースラインのコレクションを上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 15.89751830563422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) have become a key ingredient supporting a variety of applications. Beyond the traditional triplet representation of facts where a relation connects two entities, modern KGs observe an increasing number of hyper-relational facts, where an arbitrary number of qualifiers associated with a triplet provide auxiliary information to further describe the rich semantics of the triplet, which can effectively boost the reasoning performance in link prediction tasks. However, existing link prediction techniques over such hyper-relational KGs (HKGs) mostly focus on a transductive setting, where KG embedding models are learned from the specific vocabulary of a given KG and subsequently can only make predictions within the same vocabulary, limiting their generalizability to previously unseen vocabularies. Against this background, we propose THOR, an inducTive link prediction technique for Hyper-relational knOwledge gRaphs. Specifically, we first introduce both relation and entity foundation graphs, modeling their fundamental inter- and intra-fact interactions in HKGs, which are agnostic to any specific relations and entities. Afterward, THOR is designed to learn from the two foundation graphs with two parallel graph encoders followed by a transformer decoder, which supports efficient masked training and fully-inductive inference. We conduct a thorough evaluation of THOR in hyper-relational link prediction tasks on 12 datasets with different settings. Results show that THOR outperforms a sizable collection of baselines, yielding 66.1%, 55.9%, and 20.4% improvement over the best-performing rule-based, semi-inductive, and fully-inductive techniques, respectively. A series of ablation studies also reveals our key design factors capturing the structural invariance transferable across HKGs for inductive tasks.
• Abstract（参考訳）: 知識グラフ(KG)は様々な応用を支える重要な要素となっている。 関係が2つの実体を結び付ける事実の伝統的な三重項表現の他に、現代のKGは、三重項に関連付けられた任意の数の修飾子が補助情報を提供し、三重項の豊かな意味を記述し、リンク予測タスクにおける推論性能を効果的に向上させることができる。 しかしながら、そのようなハイパーリレーショナルなKG(HKG)上の既存のリンク予測手法は、主にトランスダクティブな設定に焦点を当てており、KG埋め込みモデルは与えられたKGの特定の語彙から学習され、その後、同じ語彙内でのみ予測を行うことができ、その一般化性はそれまで見られなかった語彙に制限される。 そこで我々は,ハイパーリレーショナルknOwledge gRaphsのインダクティブリンク予測手法THORを提案する。 具体的には、まず関係基礎グラフと実体基礎グラフの両方を導入し、特定の関係や実体に依存しないHKGにおける基本的相互作用とファクト内相互作用をモデル化する。 その後、THORは、2つの並列グラフエンコーダを持つ2つの基礎グラフから学習するために設計され、その後に効率的なマスク付きトレーニングと完全な帰納的推論をサポートするトランスフォーマーデコーダが続く。 我々は、異なる設定の12データセット上のハイパーリレーショナルリンク予測タスクにおいて、THORの徹底的な評価を行う。 その結果、THORは、66.1%、55.9%、20.4%の改善率で、最も優れたルールベース、半インダクティブ、完全インダクティブ技術よりも大きなベースラインのコレクションを上回っていることがわかった。 一連のアブレーション研究は、帰納的タスクのためにHKG間で伝達可能な構造的不変性を捉える重要な設計要素も明らかにしている。

関連論文リスト

• Context Pooling: Query-specific Graph Pooling for Generic Inductive Link Prediction in Knowledge Graphs [55.918039693545616]
  本稿では,知識グラフにおけるリンク予測に対するGNNモデルの有効性を高めるために,コンテキストプーリングという新しい手法を提案する。 提案手法は,3つのパブリック・トランスダクティブおよびインダクティブ・データセット上の2つの最先端(SOTA)モデルに適用することにより,汎用的評価を行う。
  論文  参考訳（メタデータ） (2025-07-10T09:54:37Z)
• A Relation-Interactive Approach for Message Passing in Hyper-relational Knowledge Graphs [0.0]
  本稿では,ReSaEと呼ばれるグローバルな関係構造認識能力を備えたメッセージパス方式のグラフエンコーダを提案する。 実験により、ReSaEは複数のリンク予測ベンチマークで最先端の性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-02-23T06:55:04Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Pre-training Transformers for Knowledge Graph Completion [81.4078733132239]
  知識グラフの伝達可能な表現を学習するための新しい帰納的KG表現モデル(iHT)を提案する。 iHT はエンティティエンコーダ (BERT など) と、Transformer によってパラメータ化される隣り合うリレーショナルスコアリング関数からなる。 提案手法は,従来のSOTAモデルに比べて25%以上の相対的相互ランクの改善が得られた。
  論文  参考訳（メタデータ） (2023-03-28T02:10:37Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Improving Inductive Link Prediction Using Hyper-Relational Facts [15.820005235333882]
  グラフニューラルネットワークを用いた半帰納的および完全帰納的リンク予測タスクにおいて, ハイパーリレーショナルなKGを用いることの利点について検討する。 実験により, 入力エッジ上の等化器は, 絶対ゲインの6%の性能向上につながることが示された。
  論文  参考訳（メタデータ） (2021-07-10T19:16:03Z)
• Improving Hyper-Relational Knowledge Graph Completion [35.487553537419224]
  hyper-relational kgs (hkgs) により、トリプレットはより複雑な情報を伝えるために、追加の関係関係対(a qualifiers)と関連付けることができる。 HKG完了のような予測タスクに対する三重項修飾子関係を効果的かつ効率的にモデル化する方法は、研究にとってオープンな課題である。 本稿では, 2つの新しい改訂点を導入することにより, hkg補完における最善の手法である stare の改良を提案する。
  論文  参考訳（メタデータ） (2021-04-16T15:26:41Z)
• Message Passing for Hyper-Relational Knowledge Graphs [7.733963597282456]
  本稿では,このようなハイパーリレーショナルな知識グラフをモデル化可能なメッセージパッシンググラフエンコーダであるStarEを提案する。 StarEは、任意の数の付加情報(修飾子)を主三重項と共に符号化し、修飾子と三重項の意味的役割をそのまま保持することができる。 実験により、StarEベースのLPモデルは、複数のベンチマークで既存のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-09-22T22:38:54Z)

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。