論文の概要: Odin: Multi-Signal Graph Intelligence for Autonomous Discovery in Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2603.03097v1
• Date: Tue, 03 Mar 2026 15:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.861247
• Title: Odin: Multi-Signal Graph Intelligence for Autonomous Discovery in Knowledge Graphs
• Title（参考訳）: Odin:知識グラフにおける自律的な発見のための多信号グラフインテリジェンス
• Authors: Muyukani Kizito, Elizabeth Nyambere,
• Abstract要約: 我々は,有意義なパターンを自律的に発見するための,最初の生産展開型グラフインテリジェンスエンジンであるOdinを紹介する。 Odin氏は、事前の実績を維持することなく、グラフを探索する。 当社のアプローチは完全なトレーサビリティを維持しています -- 規制産業にとって重要な要件です。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Odin, the first production-deployed graph intelligence engine for autonomous discovery of meaningful patterns in knowledge graphs without prior specification. Unlike retrieval-based systems that answer predefined queries, Odin guides exploration through the COMPASS (Composite Oriented Multi-signal Path Assessment) score, a novel metric that combines (1) structural importance via Personalized PageRank, (2) semantic plausibility through Neural Probabilistic Logic Learning (NPLL) used as a discriminative filter rather than generative model, (3) temporal relevance with configurable decay, and (4) community-aware guidance through GNN-identified bridge entities and inter-community affinity scores. This multi-signal integration, particularly the bridge scoring mechanism, addresses the "echo chamber" problem where graph exploration becomes trapped in dense local communities. We formalize the autonomous discovery problem, prove theoretical properties of our scoring function, and demonstrate that beam search with multi-signal guidance achieves $O(b \cdot h)$ complexity while maintaining high recall compared to exhaustive exploration. To our knowledge, Odin represents the first autonomous discovery system deployed in regulated production environments (healthcare and insurance), demonstrating significant improvements in pattern discovery quality and analyst efficiency. Our approach maintains complete provenance traceability -- a critical requirement for regulated industries where hallucination is unacceptable.
• Abstract（参考訳）: 我々は,知識グラフにおける有意義なパターンを事前の仕様なしで自律的に発見するための,最初の生産展開型グラフインテリジェンスエンジンであるOdinを紹介する。 事前定義されたクエリに応答する検索ベースシステムとは異なり、OdinはComposite Oriented Multi-signal Path Assessment(Composite Oriented Path Assessment)スコアによる探索をガイドし、(1)パーソナライズされたPageRankによる構造的重要性、(2)生成モデルではなく識別的フィルタとして使用されるニューラル確率論理学習(NPLL)による意味的妥当性、(3)構成可能な崩壊との時間的関連、(4)GNN識別ブリッジエンティティとコミュニティ間の親和性スコアによるコミュニティ認識ガイダンスを組み合わせる。 この多信号統合、特にブリッジスコアリング機構は、グラフ探索が密集した地域社会に閉じ込められる「エチョチャンバー」問題に対処する。 我々は、自律的な発見問題を定式化し、スコアリング関数の理論的性質を証明し、多信号誘導によるビームサーチが、徹底的な探索よりも高いリコールを維持しながら、O(b \cdot h)$複雑さを達成できることを実証する。 我々の知る限り、Odinは規制された生産環境(医療と保険)に配備された最初の自律的な発見システムであり、パターン発見の品質と分析効率を大幅に改善した。 われわれのアプローチは、幻覚が受け入れられない規制産業にとって重要な要件である完全な証明トレーサビリティを維持している。

関連論文リスト

• RPG-AE: Neuro-Symbolic Graph Autoencoders with Rare Pattern Mining for Provenance-Based Anomaly Detection [0.8373057326694192]
  本稿では,グラフオートエンコーダと稀なパターンマイニングを組み合わせた,ニューロシンボリックな異常検出フレームワークを提案する。 異常候補は、観測されたグラフ構造と再構成されたグラフ構造の間のずれによって同定される。 DARPAトランスペアレント・コンピューティング・データセットを用いて提案手法の評価を行い, 異常なパターンの増大が異常なランク付け品質において著しく向上することを示す。
  論文  参考訳（メタデータ） (2026-02-03T00:02:37Z)
• Deep Neural Networks as Iterated Function Systems and a Generalization Bound [2.7920304852537536]
  2つの重要なディープアーキテクチャは、場所に依存したIFSとみなすことができるか、あるいは正統に関連付けられるかを示す。 データ分布と画像間のコラージュ型近似誤差を制御する生成モデリングのためのワッサーシュタイン境界を導出する。
  論文  参考訳（メタデータ） (2026-01-27T07:32:49Z)
• 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)
• Transformers Provably Learn Directed Acyclic Graphs via Kernel-Guided Mutual Information [91.66597637613263]
  注意機構を活用するトランスフォーマーベースのモデルは、グラフ内の複雑な依存関係をキャプチャする上で、強い経験的成功を示している。 本稿では,カーネル誘導相互情報(KG-MI)を$f$-divergenceに基づく新しい情報理論指標を提案する。 我々は、K$親和性DAGによって生成された任意のシーケンスが、勾配上昇による単層マルチヘッドトランスを訓練し、大域的最適時間に収束することを証明した。
  論文  参考訳（メタデータ） (2025-10-29T14:07:12Z)
• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)
• XG-NID: Dual-Modality Network Intrusion Detection using a Heterogeneous Graph Neural Network and Large Language Model [5.298018090482744]
  XG-NIDは異種グラフ構造内にフローレベルとパケットレベルのデータを融合する最初の方法である。 XG-NIDは、フローとパケットペイロードデータの複雑な関係を効果的に捉えながら、リアルタイムの推論を可能にする。
  論文  参考訳（メタデータ） (2024-08-27T01:14:34Z)
• Networks of Networks: Complexity Class Principles Applied to Compound AI Systems Design [63.24275274981911]
  多くの言語モデル推論コールからなる複合AIシステムは、ますます採用されている。 本研究では,提案した回答の生成と正当性検証の区別を中心に,ネットワークネットワーク(NoN)と呼ばれるシステムを構築した。 我々は,Kジェネレータを備えた検証器ベースの判定器NoNを導入し,"Best-of-K"あるいは"judge-based"複合AIシステムのインスタンス化を行う。
  論文  参考訳（メタデータ） (2024-07-23T20:40:37Z)
• G-SAP: Graph-based Structure-Aware Prompt Learning over Heterogeneous Knowledge for Commonsense Reasoning [8.02547453169677]
  本稿では,G-SAP という名称のコモンセンス推論のためのグラフベース構造認識プロンプト学習モデルを提案する。 特にエビデンスグラフは、ConceptNet、Wikipedia、Cambridge Dictionaryといった複数の知識ソースを統合することで構築される。 その結果、既存のモデル、特にOpenbookQAデータセット上のSoTA LM+GNNsモデルよりも6.12%改善された。
  論文  参考訳（メタデータ） (2024-05-09T08:28:12Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNN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） (2022-05-31T10:38:04Z)

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。