論文の概要: Autoregressive Models for Knowledge Graph Generation

• arxiv url: http://arxiv.org/abs/2602.06707v1
• Date: Fri, 06 Feb 2026 13:50:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.414665
• Title: Autoregressive Models for Knowledge Graph Generation
• Title（参考訳）: 知識グラフ生成のための自己回帰モデル
• Authors: Thiviyan Thanapalasingam, Antonis Vozikis, Peter Bloem, Paul Groth,
• Abstract要約: 知識グラフ(KG)生成には、トリプル間の複雑なセマンティック依存関係を学習するモデルが必要である。 グラフを(頭、関係、尾)三重の列として扱うことでKGを生成する自己回帰モデルの一群であるARKを提案する。 ARKは、明示的なルール監督なしで、型一貫性、時間的妥当性、リレーショナルパターンを含むデータから直接暗黙的なセマンティック制約を学習する。
• 参考スコア（独自算出の注目度）: 2.2999148299770047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Graph (KG) generation requires models to learn complex semantic dependencies between triples while maintaining domain validity constraints. Unlike link prediction, which scores triples independently, generative models must capture interdependencies across entire subgraphs to produce semantically coherent structures. We present ARK (Auto-Regressive Knowledge Graph Generation), a family of autoregressive models that generate KGs by treating graphs as sequences of (head, relation, tail) triples. ARK learns implicit semantic constraints directly from data, including type consistency, temporal validity, and relational patterns, without explicit rule supervision. On the IntelliGraphs benchmark, our models achieve 89.2% to 100.0% semantic validity across diverse datasets while generating novel graphs not seen during training. We also introduce SAIL, a variational extension of ARK that enables controlled generation through learned latent representations, supporting both unconditional sampling and conditional completion from partial graphs. Our analysis reveals that model capacity (hidden dimensionality >= 64) is more critical than architectural depth for KG generation, with recurrent architectures achieving comparable validity to transformer-based alternatives while offering substantial computational efficiency. These results demonstrate that autoregressive models provide an effective framework for KG generation, with practical applications in knowledge base completion and query answering.
• Abstract（参考訳）: 知識グラフ(KG)の生成は、ドメインの妥当性の制約を維持しながらトリプル間の複雑なセマンティック依存関係を学習するモデルを必要とする。 トリプルを独立にスコアするリンク予測とは異なり、生成モデルは、意味的に一貫性のある構造を生成するために、サブグラフ全体にわたる相互依存をキャプチャする必要がある。 グラフを(頭、関係、尾)三重の列として扱うことにより、KGを生成する自己回帰モデル群であるARK(Auto-Regressive Knowledge Graph Generation)を提案する。 ARKは、明示的なルール監督なしで、型一貫性、時間的妥当性、リレーショナルパターンを含むデータから直接暗黙的なセマンティック制約を学習する。 IntelliGraphsベンチマークでは、トレーニング中に見えない新しいグラフを生成しながら、さまざまなデータセットに対して89.2%から100.0%の意味論的妥当性を達成しています。 また,非条件サンプリングと部分グラフからの条件補完の両方をサポートし,学習遅延表現による制御生成を可能にするARKの変分拡張であるSAILも導入する。 解析の結果,モデルキャパシティ(隠れ次元 >= 64)はKG生成のアーキテクチャ的深度よりも重要であり,再帰的アーキテクチャはトランスフォーマーベースの代替品に匹敵する妥当性を持ちながら,計算効率は高いことがわかった。 これらの結果は,自己回帰モデルが知識ベース補完と問合せ応答の実践的応用により,KG生成に有効なフレームワークを提供することを示す。

関連論文リスト

• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• Continuous Visual Autoregressive Generation via Score Maximization [69.67438563485887]
  本稿では,ベクトル量子化なしで直接視覚的自己回帰生成を可能にする連続VARフレームワークを提案する。 このフレームワークの中で必要なのは、厳密な適切なスコアを選択し、最適化のトレーニング目標として設定することだけです。
  論文  参考訳（メタデータ） (2025-05-12T17:58:14Z)
• Efficient Relational Context Perception for Knowledge Graph Completion [25.903926643251076]
  知識グラフ(KG)は知識の構造化された表現を提供するが、しばしば不完全性の課題に悩まされる。 従来の知識グラフ埋め込みモデルは、表現力のある特徴を捉える能力に制限がある。 逐次情報をモデル化し,動的文脈の学習を可能にする三重受容アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-31T11:25:58Z)
• A Contextualized BERT model for Knowledge Graph Completion [0.0]
  知識グラフ補完(KGC)のためのコンテキスト化BERTモデルを提案する。 本モデルでは,エンティティ記述や負の三重項サンプリングの必要性を排除し,計算要求を低減し,性能を向上する。 FB15k-237とWN18RRでは,Hit@1が5.3%向上し,4.88%向上した。
  論文  参考訳（メタデータ） (2024-12-15T02:03:16Z)
• Deep Sparse Latent Feature Models for Knowledge Graph Completion [24.342670268545085]
  本稿では,深部変分オートエンコーダ(VAE)により最適化されたスパース潜時特徴モデルを用いた新しい確率的KGCフレームワークを提案する。 提案手法は, 局所的なテキスト特徴を持つ動的クラスタリング情報を用いて, 欠落した三重項を効果的に完遂すると同時に, 基礎となる潜在構造を解釈しやすくする。
  論文  参考訳（メタデータ） (2024-11-24T03:17:37Z)
• On the Role of Edge Dependency in Graph Generative Models [28.203109773986167]
  本稿では,グラフ生成モデルのための新しい評価フレームワークを提案する。 我々は、精度とエッジの多様性の両方を保証するために、モデル生成グラフの重複の重要性に焦点をあてる。 我々の単純な解釈可能なモデルが、一般的な生成モデルと競合するベースラインを提供することを示す。
  論文  参考訳（メタデータ） (2023-12-06T18:54:27Z)
• KGLM: Integrating Knowledge Graph Structure in Language Models for Link Prediction [0.0]
  我々は、異なるエンティティと関係型を区別することを学ぶ新しいエンティティ/リレーション埋め込み層を導入する。 知識グラフから抽出したトリプルを用いて、この追加埋め込み層を用いて言語モデルをさらに事前学習し、続いて標準微調整フェーズにより、ベンチマークデータセット上のリンク予測タスクに対して、新しい最先端のパフォーマンスが設定されることを示す。
  論文  参考訳（メタデータ） (2022-11-04T20:38:12Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic Cones [64.75766944882389]
  知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。 特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。 我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
  論文  参考訳（メタデータ） (2021-10-28T07:16:08Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。