論文の概要: Hyper-KGGen: A Skill-Driven Knowledge Extractor for High-Quality Knowledge Hypergraph Generation

• arxiv url: http://arxiv.org/abs/2602.19543v1
• Date: Mon, 23 Feb 2026 06:32:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.700309
• Title: Hyper-KGGen: A Skill-Driven Knowledge Extractor for High-Quality Knowledge Hypergraph Generation
• Title（参考訳）: 高品質知識ハイパーグラフ生成のためのスキル駆動型知識エクストラクタHyper-KGGen
• Authors: Rizhuo Huang, Yifan Feng, Rundong Xue, Shihui Ying, Jun-Hai Yong, Chuan Shi, Shaoyi Du, Yue Gao,
• Abstract要約: Hyper-KGGenは、スキル進化プロセスとして抽出を再構築する、スキル駆動のフレームワークである。 ドメインの専門知識をGlobal Skill Libraryに積極的に蒸留する、テキストタプティブなスキル獲得モジュールが組み込まれている。 文書レベルの知識ハイパーグラフ抽出のための厳密な注釈付きベンチマークである textbfHyperDocRED を提案する。
• 参考スコア（独自算出の注目度）: 63.4604143884703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge hypergraphs surpass traditional binary knowledge graphs by encapsulating complex $n$-ary atomic facts, providing a more comprehensive paradigm for semantic representation. However, constructing high-quality hypergraphs remains challenging due to the \textit{scenario gap}: generic extractors struggle to generalize across diverse domains with specific jargon, while existing methods often fail to balance structural skeletons with fine-grained details. To bridge this gap, we propose \textbf{Hyper-KGGen}, a skill-driven framework that reformulates extraction as a dynamic skill-evolving process. First, Hyper-KGGen employs a \textit{coarse-to-fine} mechanism to systematically decompose documents, ensuring full-dimensional coverage from binary links to complex hyperedges. Crucially, it incorporates an \textit{adaptive skill acquisition} module that actively distills domain expertise into a Global Skill Library. This is achieved via a stability-based feedback loop, where extraction stability serves as a relative reward signal to induce high-quality skills from unstable traces and missed predictions. Additionally, we present \textbf{HyperDocRED}, a rigorously annotated benchmark for document-level knowledge hypergraph extraction. Experiments demonstrate that Hyper-KGGen significantly outperforms strong baselines, validating that evolved skills provide substantially richer guidance than static few-shot examples in multi-scenario settings.
• Abstract（参考訳）: 知識ハイパーグラフは、複雑な$n$aryの原子的事実をカプセル化し、意味表現のより包括的なパラダイムを提供する。 ジェネリック抽出器は、特定のジャーゴンを持つ様々な領域をまたいだ一般化に苦慮する一方、既存の方法では、構造的な骨格と細かな詳細とのバランスが取れない。 このギャップを埋めるために、ダイナミックなスキル進化プロセスとして抽出を再構成するスキル駆動フレームワークである「textbf{Hyper-KGGen}」を提案する。 まず、Hyper-KGGenは文書を体系的に分解するために‘textit{coarse-to-fine’メカニズムを使用し、バイナリリンクから複雑なハイパーエッジへの全次元カバレッジを保証する。 重要なことに、ドメインの専門知識をGlobal Skill Libraryに積極的に蒸留する、‘textit{adaptive skill acquisition} モジュールが組み込まれている。 これは安定性に基づくフィードバックループを通じて達成され、抽出安定性は、不安定なトレースから高品質なスキルを誘導し、予測を逃す相対的な報酬信号として機能する。 さらに、文書レベルの知識ハイパーグラフ抽出のための厳密な注釈付きベンチマークである「textbf{HyperDocRED}」を提示する。 実験により、Hyper-KGGenは強力なベースラインを著しく上回り、進化したスキルがマルチシナリオ設定における静的な数ショットの例よりもはるかにリッチなガイダンスを提供することを示した。

関連論文リスト

• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• TrustRAG: An Information Assistant with Retrieval Augmented Generation [73.84864898280719]
  TrustRAGは、インデックス付け、検索、生成という3つの視点から、acRAGを強化する新しいフレームワークである。 我々はTrustRAGフレームワークをオープンソース化し、抜粋ベースの質問応答タスク用に設計されたデモスタジオを提供する。
  論文  参考訳（メタデータ） (2025-02-19T13:45:27Z)
• HyperQuery: Beyond Binary Link Prediction [0.7100520098029438]
  ノードレベルのクラスタリングを用いた新しい特徴抽出手法を導入し,ノードレベルのラベルからのデータの統合によってシステム性能が向上することを示す。 我々の自己教師型アプローチは、いくつかのハイパーエッジ予測と知識ハイパーグラフ補完ベンチマークに基づいて、アートベースラインの状態を大幅に改善する。
  論文  参考訳（メタデータ） (2025-01-13T22:46:24Z)
• HyperBERT: Mixing Hypergraph-Aware Layers with Language Models for Node Classification on Text-Attributed Hypergraphs [16.07396492960869]
  我々はハイパーグラフリレーショナル構造とテキスト分散ハイパーグラフを同時にモデル化する新しいアーキテクチャHyperBERTを提案する。 結果から,HyperBERTは5つの挑戦的テキスト分散ハイパーグラフノード分類ベンチマークに対して,新たな最先端性を達成していることがわかった。
  論文  参考訳（メタデータ） (2024-02-11T21:16:26Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Augmentations in Hypergraph Contrastive Learning: Fabricated and Generative [126.0985540285981]
  我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。 我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。 拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-10-07T20:12:20Z)

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。