論文の概要: HEHRGNN: A Unified Embedding Model for Knowledge Graphs with Hyperedges and Hyper-Relational Edges
- arxiv url: http://arxiv.org/abs/2602.18897v1
- Date: Sat, 21 Feb 2026 16:38:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-24 17:42:02.381246
- Title: HEHRGNN: A Unified Embedding Model for Knowledge Graphs with Hyperedges and Hyper-Relational Edges
- Title（参考訳）: HEHRGNN:ハイパーエッジとハイパーリレーショナルエッジを備えた知識グラフのための統一埋め込みモデル
- Authors: Rajesh Rajagopalamenon, Unnikrishnan Cheramangalath,
- Abstract要約: 実世界の知識ベースは、バイナリエッジで表現できない複雑な事実とn-aryな事実のかなりのシェアを持っている。
ハイパーエッジとハイパーリレーショナルエッジの両方を持つn-aryリレーショナルKGに対する統一的な埋め込みモデルを提案する。
また、ハイパーエッジおよびハイパーリレーショナルデータセットのベースラインモデルよりもリンク予測性能が改善されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge Graph(KG) has gained traction as a machine-readable organization of real-world knowledge for analytics using artificial intelligence systems. Graph Neural Network(GNN), is proven to be an effective KG embedding technique that enables various downstream tasks like link prediction, node classification, and graph classification. The focus of research in both KG embedding and GNNs has been mostly oriented towards simple graphs with binary relations. However, real-world knowledge bases have a significant share of complex and n-ary facts that cannot be represented by binary edges. More specifically, real-world knowledge bases are often a mix of two types of n-ary facts - (i) that require hyperedges and (ii) that require hyper-relational edges. Though there are research efforts catering to these n-ary fact types, they are pursued independently for each type. We propose $H$yper$E$dge $H$yper-$R$elational edge $GNN$(HEHRGNN), a unified embedding model for n-ary relational KGs with both hyperedges and hyper-relational edges. The two main components of the model are i)HEHR unified fact representation format, and ii)HEHRGNN encoder, a GNN-based encoder with a novel message propagation model capable of capturing complex graph structures comprising both hyperedges and hyper-relational edges. The experimental results of HEHRGNN on link prediction tasks show its effectiveness as a unified embedding model, with inductive prediction capability, for link prediction across real-world datasets having different types of n-ary facts. The model also shows improved link prediction performance over baseline models for hyperedge and hyper-relational datasets.
- Abstract（参考訳）: 知識グラフ(KG)は、人工知能システムを用いた分析のための実世界の知識の機械可読な組織として注目を集めている。
グラフニューラルネットワーク(GNN)は、リンク予測、ノード分類、グラフ分類など、さまざまな下流タスクを可能にする効果的なKG埋め込み技術であることが証明されている。
KG埋め込みとGNNの両方の研究の焦点は、主にバイナリ関係を持つ単純なグラフに向けられている。
しかし、実世界の知識ベースは、バイナリエッジで表現できない複雑な事実とn-aryな事実のかなりのシェアを持っている。
より具体的には、現実世界の知識ベースは、しばしば2種類のn-ary事実の混合である。
i) ハイパーエッジを必要とするもの
(ii) ハイパーリレーショナルエッジを必要とするもの。
これらのn-aryの事実型に追従する研究努力は存在するが、それぞれのタイプごとに独立して追求されている。
H$yper$E$dge $H$yper-$R$elational edge $GNN$(HEHRGNN)を提案する。
モデルの主なコンポーネントは2つです。
一 HEHR統合事実表現形式及び
i)HEHRGNNエンコーダは、ハイパーエッジとハイパーリレーショナルエッジの両方からなる複雑なグラフ構造をキャプチャ可能な、新しいメッセージ伝搬モデルを備えたGNNベースのエンコーダである。
リンク予測タスクにおけるHEHRGNNの実験結果は,n-ary事実の異なる実世界のデータセット間のリンク予測において,帰納的予測機能を備えた統合埋め込みモデルとしての有効性を示す。
また、ハイパーエッジおよびハイパーリレーショナルデータセットのベースラインモデルよりもリンク予測性能が改善されている。
関連論文リスト
- BHyGNN+: Unsupervised Representation Learning for Heterophilic Hypergraphs [50.161252392272324]
異種ハイパーグラフ上での表現学習のための自己教師型学習フレームワークであるBHyGNN+を紹介する。
ハイパーグラフの強化ビューとコサイン類似性(cosine similarity)を対比することにより、我々のフレームワークは、完全に教師なしの方法で本質的な構造パターンをキャプチャする。
本研究では,ハイパーグラフの双対性を利用した自己教師型学習の有効性を検証した。
論文 参考訳（メタデータ） (2026-02-16T16:55:37Z) - Enhancing Node Representations for Real-World Complex Networks with Topological Augmentation [35.42514739566419]
TopoAugは、生データから直接仮想ハイパーエッジを構築することで、元のグラフから複合体を構築する新しいグラフ拡張手法である。
ソーシャルメディア,生物学,eコマースなど,さまざまな領域にまたがる23の新たな実世界のグラフデータセットを提供する。
我々の実証研究は、TopoAugがGNNベースラインや他のグラフ拡張手法を一貫して、著しく上回っていることを示している。
論文 参考訳（メタデータ） (2024-02-20T14:18:43Z) - Training-Free Message Passing for Learning on Hypergraphs [35.35391968349657]
ハイパーグラフニューラルネットワーク(HNN)は、メッセージパッシングによってハイパーグラフ構造を効果的に利用し、ノードの特徴を生成する。
モデル学習段階からハイパーグラフ構造情報の利用を分離する手法を提案する。
これにより、TF-MP-Moduleと呼ばれる新しいトレーニング不要のメッセージパッシングモジュールが作成され、データ前処理の段階でプリ計算される。
論文 参考訳（メタデータ） (2024-02-08T11:10:39Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - Self-Supervised Pretraining for Heterogeneous Hypergraph Neural Networks [9.987252149421982]
異種HyperGNNのための自己教師型事前学習フレームワークを提案する。
本手法は,データ内のエンティティ間の高次関係を,自己教師型で効果的に捉えることができる。
実験の結果,提案するフレームワークは,様々なダウンストリームタスクにおいて,最先端のベースラインを一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2023-11-19T16:34:56Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-10-15T07:18:57Z) - Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。
我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。
HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
論文 参考訳（メタデータ） (2021-06-12T02:07:07Z) - A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。
グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文 参考訳（メタデータ） (2021-02-12T21:52:43Z) - CopulaGNN: Towards Integrating Representational and Correlational Roles
of Graphs in Graph Neural Networks [23.115288017590093]
グラフニューラルネットワーク(GNN)モデルが両タイプの情報を効果的に活用する方法について検討する。
提案したCopula Graph Neural Network (CopulaGNN)は、幅広いGNNモデルをベースモデルとして扱うことができる。
論文 参考訳（メタデータ） (2020-10-05T15:20:04Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳（メタデータ） (2020-02-20T09:53:28Z)
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。