論文の概要: Multi-Faceted Continual Knowledge Graph Embedding for Semantic-Aware Link Prediction
- arxiv url: http://arxiv.org/abs/2604.10947v1
- Date: Mon, 13 Apr 2026 03:41:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.292943
- Title: Multi-Faceted Continual Knowledge Graph Embedding for Semantic-Aware Link Prediction
- Title（参考訳）: セマンティック・アウェアリンク予測のための多面的連続知識グラフ埋め込み
- Authors: Jing Qi, Yuxiang Wang, Zhiyuan Yu, Xiaoliang Xu, Yuanshi Zheng, Tianxing Wu,
- Abstract要約: CKGE(Continuous Knowledge Graph Embedding)は、新しい知識、すなわちエンティティとリレーションのための埋め込みを、以前に獲得した知識を維持しながら継続的に学習することを目的としている。
セマンティック・アウェアリンク予測のためのMF-CKGEフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 26.062548913780976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continual Knowledge Graph Embedding (CKGE) aims to continually learn embeddings for new knowledge, i.e., entities and relations, while retaining previously acquired knowledge. Most existing CKGE methods mitigate catastrophic forgetting via regularization or replaying old knowledge. They conflate new and old knowledge of an entity within the same embedding space to seek a balance between them. However, entities inherently exhibit multi-faceted semantics that evolve dynamically as their relational contexts change over time. A shared embedding fails to capture and distinguish these temporal semantic variations, degrading lifelong link prediction accuracy across snapshots. To address this, we propose a Multi-Faceted CKGE framework (MF-CKGE) for semantic-aware link prediction. During offline learning, MF-CKGE separates temporal old and new knowledge into distinct embedding spaces to prevent knowledge entanglement and employs semantic decoupling to reduce semantic redundancy, thereby improving space efficiency. During online inference, MF-CKGE adaptively identifies semantically query-relevant entity embeddings by quantifying their semantic importance, reducing interference from query-irrelevant noise. Experiments on eight datasets show that MF-CKGE achieves an average (maximum) improvement of 1.7% (2.7%) and 1.4% (3.8%) in MRR and Hits@10, respectively, over the best baseline. Our source code and datasets are available at: https://anonymous.4open.science/r/MF-CKGE-04E5.
- Abstract（参考訳）: CKGE(Continuous Knowledge Graph Embedding)は、新しい知識、すなわちエンティティとリレーションのための埋め込みを、以前に獲得した知識を維持しながら継続的に学習することを目的としている。
既存のCKGEメソッドの多くは、古い知識の正規化や再生を通じて破滅的な忘れを軽減している。
彼らは同じ埋め込み空間内のエンティティの新しい知識と古い知識を共有して、それらの間のバランスを求める。
しかし、エンティティは本質的に、時間とともに関係コンテキストが変化するにつれて動的に進化する多面的意味論を示す。
共有埋め込みは、これらの時間的セマンティックなバリエーションをキャプチャして区別することができず、スナップショット間の生涯リンク予測精度を低下させる。
そこで本研究では,意味認識型リンク予測のためのMF-CKGEフレームワークを提案する。
オフライン学習中、MF-CKGEは時間的知識と新しい知識を異なる埋め込み空間に分離し、知識の絡み合いを防止し、意味的疎結合を用いて意味的冗長性を低減し、空間効率を向上させる。
オンライン推論において、MF-CKGEは意味論的クエリ関連エンティティの埋め込みを適応的に識別し、意味論的重要性を定量化し、クエリ関連ノイズからの干渉を減らす。
8つのデータセットの実験では、MF-CKGEはMRRとHits@10でそれぞれ平均1.7%(2.7%)と1.4%(3.8%)の改善を達成している。
ソースコードとデータセットは、https://anonymous.4open.science/r/MF-CKGE-04E5.comで公開されています。
関連論文リスト
- Stake the Points: Structure-Faithful Instance Unlearning [12.36218755528715]
マシン・アンラーニング(MU)は、保持された知識の有効性を保ちながら、指定されたデータの影響を取り除くことを目的としている。
本稿では,知識構造を維持するための基準点となるセマンティックアンカーの利害関係を導入する,構造に忠実な新しい枠組みを提案する。
その結果、平均利得は32.9%、22.5%、19.3%で、削除-保留トレードオフのバランスと一般化の強化が示されている。
論文 参考訳（メタデータ） (2026-03-13T11:40:21Z) - Where Do Flow Semantics Reside? A Protocol-Native Tabular Pretraining Paradigm for Encrypted Traffic Classification [5.044786941116112]
自己監督型マスクドモデリングは、生のバイトをマスキングして再構築することで、暗号化されたトラフィック分類を約束する。
最近の研究によると、これらの手法はコストのかかる事前訓練にもかかわらずラベル付きデータへの依存を減らすことができない。
トラフィックをシーケンスバイトにフラットにすることで、プロトコル定義のセマンティクスを破壊します。
論文 参考訳（メタデータ） (2026-03-09T15:15:23Z) - CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。
静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。
LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
論文 参考訳（メタデータ） (2026-02-04T00:12:30Z) - Bridging the Semantic Gap for Categorical Data Clustering via Large Language Models [64.58262227709842]
ARISE(Attention-weighted Representation with Integrated Semantic Embeddings)が紹介される。
正確なクラスタリングのためにカテゴリデータのメトリック空間を補完するセマンティックアウェア表現を構築する。
8つのベンチマークデータセットの実験では、7つの代表的なデータセットよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-01-03T11:37:46Z) - CKDA: Cross-modality Knowledge Disentanglement and Alignment for Visible-Infrared Lifelong Person Re-identification [77.07028925223383]
生涯にわたる人物再識別は、異なるシナリオから継続的に収集された個々のデータを同一人物と一致させることを目的としている。
日夜の連続した日中マッチングを実現するために、Visible-Infrared Lifelong person Re-IDentification (VI-LReID) は、可視および赤外線モダリティからのデータのシーケンシャルトレーニングに重点を置いている。
既存の方法は、伝統的知識の破滅的な忘れを和らげるために、クロスモーダルな知識蒸留を利用するのが一般的である。
論文 参考訳（メタデータ） (2025-11-19T01:30:29Z) - ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation [91.20492150248106]
本研究では,不誠実な生成の背後にある内部メカニズムを解明し,不均等に活性化される中深度フィードフォワードネットワーク(FFN)のサブセットを同定する。
本研究では,不信感関連FFNの活性化を抑制することにより,文脈的忠実度を向上させるフレームワークであるParametric Knowledge Mutingを提案する。
実験結果から,ParamMuteはCoFaithfulQAと確立されたConFiQAベンチマークの両方の信頼度を大幅に向上し,パラメトリックメモリへの依存度を大幅に低下させることが示された。
論文 参考訳（メタデータ） (2025-02-21T15:50:41Z) - MUSE: Integrating Multi-Knowledge for Knowledge Graph Completion [0.0]
知識グラフ補完(KGC)は、欠落した(リレーション)部分(ヘッドエンティティ)--(リレーション]->(テールエンティティ)三重項を予測することを目的としている。
既存のKGCメソッドのほとんどは、単一の特徴(例えば、関係型)やサブグラフアグリゲーションに焦点を当てている。
本稿では,知識認識型推論モデル(MUSE)を提案する。
論文 参考訳（メタデータ） (2024-09-26T04:48:20Z) - MUSE: Multi-Knowledge Passing on the Edges, Boosting Knowledge Graph Completion [0.0]
Knowledge Graph Completionは、(ヘッドエンティティ)-[リレーション]-(テールエンティティ)三重項の不足情報を予測することを目的としています。
本稿では,3次元の埋め込み空間を学習する知識認識推論モデル MUSE を提案する。
実験の結果,MUSEは4つの公開データセットにおいて,他のベースラインよりも有意に優れていた。
論文 参考訳（メタデータ） (2024-08-09T18:10:02Z) - Towards Continual Knowledge Graph Embedding via Incremental Distillation [12.556752486002356]
従来の知識グラフ埋め込み(KGE)の手法では、新しい知識が出現すると、知識グラフ全体(KG)をかなりの訓練コストで保存する必要がある。
本稿では,KGsにおける明示的なグラフ構造の完全活用を考慮したインクリメンタル蒸留(IncDE)に基づくCKGEの競合手法を提案する。
論文 参考訳（メタデータ） (2024-05-07T16:16:00Z) - CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。
本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。
セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
論文 参考訳（メタデータ） (2023-08-17T13:07:09Z)
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。