論文の概要: SynergyKGC: Reconciling Topological Heterogeneity in Knowledge Graph Completion via Topology-Aware Synergy

• arxiv url: http://arxiv.org/abs/2602.10845v1
• Date: Wed, 11 Feb 2026 13:31:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.932652
• Title: SynergyKGC: Reconciling Topological Heterogeneity in Knowledge Graph Completion via Topology-Aware Synergy
• Title（参考訳）: SynergyKGC:Topology-Aware Synergyによる知識グラフ補完におけるトポロジ的不均一性の再検討
• Authors: Xuecheng Zou, Yu Tang, Bingbing Wang,
• Abstract要約: 我々は、従来の隣り合うアグリゲーションをアクティブなCross-Modal Synergy Expertに進化させる適応的なフレームワークであるSynergyKGCを紹介する。 密度依存Identity Anchoring戦略をダブルトウワー整合性アーキテクチャと結合することにより、SynergyKGCは、トレーニングと推論フェーズ間の表現安定性を確保しながら、トポロジ的不均一性を効果的に調整する。
• 参考スコア（独自算出の注目度）: 5.188469894836893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graph Completion (KGC) fundamentally hinges on the coherent fusion of pre-trained entity semantics with heterogeneous topological structures to facilitate robust relational reasoning. However, existing paradigms encounter a critical "structural resolution mismatch," failing to reconcile divergent representational demands across varying graph densities, which precipitates structural noise interference in dense clusters and catastrophic representation collapse in sparse regions. We present SynergyKGC, an adaptive framework that advances traditional neighbor aggregation to an active Cross-Modal Synergy Expert via relation-aware cross-attention and semantic-intent-driven gating. By coupling a density-dependent Identity Anchoring strategy with a Double-tower Coherent Consistency architecture, SynergyKGC effectively reconciles topological heterogeneity while ensuring representational stability across training and inference phases. Systematic evaluations on two public benchmarks validate the superiority of our method in significantly boosting KGC hit rates, providing empirical evidence for a generalized principle of resilient information integration in non-homogeneous structured data.
• Abstract（参考訳）: 知識グラフ補完(KGC)は、頑健な関係推論を容易にするために、事前訓練された実体意味論と不均一な位相構造とのコヒーレントな融合を基本としている。 しかし、既存のパラダイムは重要な「構造的解決ミスマッチ」に遭遇し、様々なグラフ密度の異なる表現要求を一致させることができず、密度の高いクラスタにおける構造的ノイズ干渉とスパース領域における破滅的な表現崩壊を引き起こす。 我々は,従来の隣り合うアグリゲーションを,関係性を考慮したクロスアテンションとセマンティックインテント駆動ゲーティングを通じて,アクティブなクロスモーダル・シナジーエキスパートに進化させる適応的フレームワークであるSynergyKGCを提案する。 密度依存Identity Anchoring戦略をダブルトウワー整合性アーキテクチャと結合することにより、SynergyKGCは、トレーニングと推論フェーズ間の表現安定性を確保しながら、トポロジ的不均一性を効果的に調整する。 KGCヒット率を大幅に向上させ,非均一な構造化データにレジリエントな情報統合の一般原理を示す実証的な証拠を提供する。

関連論文リスト

• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• Towards A Unified PAC-Bayesian Framework for Norm-based Generalization Bounds [63.47271262149291]
  PAC-Bayesianノルムに基づく一般化のための統一的なフレームワークを提案する。 提案手法の鍵となるのは、構造的重み摂動に関してネットワーク出力を定量化する感度行列である。 我々は、いくつかの既存のPAC-ベイジアン結果を特殊ケースとして回復する一般化境界の族を導出する。
  論文  参考訳（メタデータ） (2026-01-13T00:42:22Z)
• HyperbolicRAG: Enhancing Retrieval-Augmented Generation with Hyperbolic Representations [11.678218711095269]
  グラフベースのRAGは、大きな言語モデルが外部知識にアクセスできるようにする。 本稿では,ハイパーボリック幾何をグラフベースRAGに統合する検索フレームワークであるHyperbolicRAGを提案する。
  論文  参考訳（メタデータ） (2025-11-24T06:27:58Z)
• An Intra- and Cross-frame Topological Consistency Scheme for Semi-supervised Atherosclerotic Coronary Plaque Segmentation [9.902034502749501]
  冠状動脈硬化解析 (CAA) は, 湾曲平面再構成法を用いて再建した血管断面画像の解析に頼っている。 この課題は、プラークと血管の境界や構造がはっきりしないため、重大な課題を提起する。 フレーム内トポロジ的整合性(ITC)とクロスフレームトポロジ的整合性(CTC)を統合した,新しい二重整合性半教師型フレームワークを提案する。 提案手法は,既存の半教師付き手法を超越し,CAAにおける教師付き手法の性能にアプローチする。
  論文  参考訳（メタデータ） (2025-01-14T05:23:42Z)
• Conformable Convolution for Topologically Aware Learning of Complex Anatomical Structures [38.20599800950335]
  トポロジ的一貫性を明示するために設計された新しい畳み込み層であるConformable Convolutionを紹介する。 Topological Posterior Generator (TPG)モジュールは、重要なトポロジ的特徴を特定し、畳み込み層をガイドする。 本稿では,構造物の相互接続性維持が重要となるセグメンテーション作業におけるフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-12-29T22:41:33Z)
• Learning Persistent Community Structures in Dynamic Networks via Topological Data Analysis [2.615648035076649]
  本稿では,コミュニティ間構造における時間的一貫性の整合性を考慮した新しいディープグラフクラスタリングフレームワークを提案する。 MFCは、ノード埋め込みを保存する行列分解に基づくディープグラフクラスタリングアルゴリズムである。 TopoRegは、時間間隔でコミュニティ間構造間のトポロジカルな類似性を維持するために導入された。
  論文  参考訳（メタデータ） (2024-01-06T11:29:19Z)
• Generalizable Heterogeneous Federated Cross-Correlation and Instance Similarity Learning [60.058083574671834]
  本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。 不均一な問題に対しては、無関係な公開データを通信に活用する。 局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
  論文  参考訳（メタデータ） (2023-09-28T09:32:27Z)
• 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)
• Mix and Reason: Reasoning over Semantic Topology with Data Mixing for Domain Generalization [48.90173060487124]
  ドメイン一般化(DG)は、複数のソースドメインから見えないターゲットドメインへの学習マシンを可能にする。 mire は2つのキーコンポーネント、すなわち Category-Aware Data Mixing (CDM) と Adaptive Semantic Topology Refinement (ASTR) で構成されている。 複数のDGベンチマーク実験により,提案法の有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2022-10-14T06:52:34Z)

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。