論文の概要: HGNet: Scalable Foundation Model for Automated Knowledge Graph Generation from Scientific Literature

• arxiv url: http://arxiv.org/abs/2603.23136v1
• Date: Tue, 24 Mar 2026 12:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.477332
• Title: HGNet: Scalable Foundation Model for Automated Knowledge Graph Generation from Scientific Literature
• Title（参考訳）: HGNet:科学文献からの知識グラフ自動生成のためのスケーラブル基盤モデル
• Authors: Devvrat Joshi, Islem Rekik,
• Abstract要約: 本稿では,スケーラブルでゼロショットの科学知識グラフ構築のための2段階フレームワークを提案する。 階層的関係抽出のためのベンチマークSPHEREをリリースする。 ゼロショット設定では、NERが10.76%、REが26.2%に達する。
• 参考スコア（独自算出の注目度）: 6.001574550157585
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated knowledge graph (KG) construction is essential for navigating the rapidly expanding body of scientific literature. However, existing approaches struggle to recognize long multi-word entities, often fail to generalize across domains, and typically overlook the hierarchical nature of scientific knowledge. While general-purpose large language models (LLMs) offer adaptability, they are computationally expensive and yield inconsistent accuracy on specialized tasks. As a result, current KGs are shallow and inconsistent, limiting their utility for exploration and synthesis. We propose a two-stage framework for scalable, zero-shot scientific KG construction. The first stage, Z-NERD, introduces (i) Orthogonal Semantic Decomposition (OSD), which promotes domain-agnostic entity recognition by isolating semantic "turns" in text, and (ii) a Multi-Scale TCQK attention mechanism that captures coherent multi-word entities through n-gram-aware attention heads. The second stage, HGNet, performs relation extraction with hierarchy-aware message passing, explicitly modeling parent, child, and peer relations. To enforce global consistency, we introduce two complementary objectives: a Differentiable Hierarchy Loss to discourage cycles and shortcut edges, and a Continuum Abstraction Field (CAF) Loss that embeds abstraction levels along a learnable axis in Euclidean space. This is the first approach to formalize hierarchical abstraction as a continuous property within standard Euclidean embeddings, offering a simpler alternative to hyperbolic methods. We release SPHERE (https://github.com/basiralab/SPHERE), a multi-domain benchmark for hierarchical relation extraction. Our framework establishes a new state of the art on SciERC, SciER, and SPHERE, improving NER by 8.08% and RE by 5.99% on out-of-distribution tests. In zero-shot settings, gains reach 10.76% for NER and 26.2% for RE.
• Abstract（参考訳）: 知識グラフ(KG)の構築は、急速に成長する科学文献をナビゲートするために不可欠である。 しかし、既存のアプローチは長い多単語の実体を認識するのに苦労し、しばしばドメインをまたいだ一般化に失敗し、典型的には科学的知識の階層的な性質を見落としている。 汎用大規模言語モデル(LLM)は適応性を提供するが、計算コストが高く、特殊なタスクに対して一貫性のない精度が得られる。 その結果、現在のKGは浅く不整合であり、探索と合成の用途を制限している。 スケーラブルでゼロショットな科学的なKG構築のための2段階のフレームワークを提案する。 最初のステージであるZ-NERDが登場 一 意味的「ターン」をテキストで分離してドメインに依存しない実体認識を促進する直交意味的意味分解(OSD) (II)n-gram対応アテンションヘッドを介してコヒーレントな多ワードエンティティをキャプチャするマルチスケールTCQKアテンションメカニズム。 第2のステージであるHGNetは、階層を意識したメッセージパッシングで関係抽出を行い、親、子、およびピア関係を明示的にモデル化する。 グローバルな一貫性を実現するために,サイクルやエッジのショートカットを回避するための微分可能な階層ロスと,ユークリッド空間の学習可能な軸に沿って抽象レベルを埋め込んだ連続抽象場(CAF)ロスという2つの相補的な目標を導入する。 これは、標準ユークリッド埋め込みにおける連続性として階層的抽象を形式化する最初のアプローチであり、双曲的手法のより単純な代替手段を提供する。 階層的関係抽出のためのマルチドメインベンチマークSPHERE (https://github.com/basiralab/SPHERE) をリリースする。 我々のフレームワークは、SciERC、SciER、SPHEREに関する新しい最先端技術を確立し、NERを8.08%改善し、REを5.99%改善する。 ゼロショット設定では、NERが10.76%、REが26.2%に達する。

関連論文リスト

• INHerit-SG: Incremental Hierarchical Semantic Scene Graphs with RAG-Style Retrieval [32.38739911399099]
  INHerit-SGは、複雑な環境で解釈可能な人間の意図的推論をサポートするセマンティックなシーングラフである。 イベントトリガーマップ更新メカニズムは、意味のあるセマンティックイベントが発生した場合にのみグラフを再編成する。 この明示的な解釈可能性により、複雑な検索の成功率と信頼性が向上し、システムはより広範なヒューマンインタラクションタスクに適応できる。
  論文  参考訳（メタデータ） (2026-02-13T14:45:55Z)
• One Language-Free Foundation Model Is Enough for Universal Vision Anomaly Detection [65.11602552904456]
  Universal Visual Anomaly Detection (AD) は、オープンかつダイナミックなシナリオに向けて、異常画像とセグメント異常領域を識別することを目的としている。 現在の手法は、複雑なプロンプトエンジニアリング、精巧な適応モジュール、そして挑戦的な訓練戦略に苦しむことが多い。 本稿では,Universal Vision Anomaly Detection(UniADet)のための,恥ずかしいほどシンプルで汎用的で効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-09T06:05:18Z)
• Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
  線形木探索はLarge Language Model (LLM) 研究の基盤となっている。 本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T03:29:18Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Fraesormer: Learning Adaptive Sparse Transformer for Efficient Food Recognition [9.83509397800422]
  2つのコア設計を持つ適応的で効率的なスパーストランスフォーマーアーキテクチャ (Fraesormer) を提案する。 ATK-SPAは学習可能なGated Dynamic Top-K Operator (GDTKO)を使用して重要な注意点を保持する。 HSSFGNはマルチスケールの特徴表現を実現するためにゲーティング機構を採用している。
  論文  参考訳（メタデータ） (2025-03-15T05:13:26Z)
• Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
  高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。 これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。 提案手法は他の最先端アルゴリズムに対して好適に機能する。
  論文  参考訳（メタデータ） (2024-05-15T00:17:48Z)
• Scalable Multi-agent Covering Option Discovery based on Kronecker Graphs [49.71319907864573]
  本稿では,分解が容易なマルチエージェントスキル発見法を提案する。 我々のキーとなる考え方は、合同状態空間をクロネッカーグラフとして近似することであり、そのフィドラーベクトルを直接見積もることができる。 ラプラシアンスペクトルを直接計算することは、無限大の状態空間を持つタスクには難易度が高いことを考慮し、さらに本手法の深層学習拡張を提案する。
  論文  参考訳（メタデータ） (2023-07-21T14:53:12Z)
• ReVoLT: Relational Reasoning and Voronoi Local Graph Planning for Target-driven Navigation [1.0896567381206714]
  Embodied AIは、知的な実体と現実世界の相互作用を強調する必然的なトレンドである。 グラフニューラルネットワーク(GNN)によるレイアウト関係の活用に関する研究 このタスクを分離し、階層的なフレームワークであるReVoLTを提案する。
  論文  参考訳（メタデータ） (2023-01-06T05:19:56Z)
• A Unified Architecture of Semantic Segmentation and Hierarchical Generative Adversarial Networks for Expression Manipulation [52.911307452212256]
  セマンティックセグメンテーションと階層的GANの統一アーキテクチャを開発する。 我々のフレームワークのユニークな利点は、将来的なセマンティックセグメンテーションネットワーク条件を生成モデルに渡すことである。 我々は,AffectNetとRaFDの2つの難解な表情翻訳ベンチマークとセマンティックセグメンテーションベンチマークであるCelebAMask-HQについて評価を行った。
  論文  参考訳（メタデータ） (2021-12-08T22:06:31Z)

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。