論文の概要: One Pass for All: A Discrete Diffusion Model for Knowledge Graph Triple Set Prediction
- arxiv url: http://arxiv.org/abs/2604.18344v1
- Date: Mon, 20 Apr 2026 14:41:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.939618
- Title: One Pass for All: A Discrete Diffusion Model for Knowledge Graph Triple Set Prediction
- Title（参考訳）: 1つのパス:知識グラフ三重集合予測のための離散拡散モデル
- Authors: Jihong Guan, Jiaqi Wang, Wengen Li, Hanchen Yang, Yichao Zhang, Shuigeng Zhou,
- Abstract要約: 知識グラフ(KG)はトリプルで構成されており、知識グラフ補完(KGC)の目標は、欠落した事実のトリプルを推測することである。
より現実的なタスクとして、トリプルセット予測(TSP)タスクは、観測された知識グラフにのみ条件付き三重項の集合を推測することを目的としている。
提案手法は,3つの公開データセット上での最先端性能を実現する。
- 参考スコア（独自算出の注目度）: 32.6783260286596
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge Graphs (KGs) are composed of triples, and the goal of Knowledge Graph Completion (KGC) is to infer the missing factual triples. Traditional KGC tasks predict missing elements in a triple given one or two of its elements. As a more realistic task, the Triple Set Prediction (TSP) task aims to infer the set of missing triples conditioned only on the observed knowledge graph, without assuming any partial information about the missing triples. Existing TSP methods predict the set of missing triples in a triple-by-triple manner, falling short in capturing the dependencies among the predicted triples to ensure consistency. To address this issue, we propose a novel discrete diffusion model termed DiffTSP that treats TSP as a generative task. DiffTSP progressively adds noise to the KG through a discrete diffusion process, achieved by masking relational edges. The reverse process then gradually recovers the complete KG conditioned on the incomplete graph. To this end, we design a structure-aware denoising network that integrates a relational context encoder with a relational graph diffusion transformer for knowledge graph generation. DiffTSP can generate the complete set of triples in a one-pass manner while ensuring the dependencies among the predicted triples. Our approach achieves state-of-the-art performance on three public datasets. Code: https://github.com/ADMIS-TONGJI/DiffTSP.
- Abstract（参考訳）: 知識グラフ(KG)はトリプルで構成されており、知識グラフ補完(KGC)の目標は、欠落した事実のトリプルを推測することである。
伝統的なKGCタスクは、その要素の1つまたは2つが与えられた3重の欠落要素を予測する。
より現実的なタスクとして、トリプルセット予測(TSP)タスクは、欠落したトリプルに関する情報を仮定することなく、観察された知識グラフにのみ条件付けられた欠落したトリプルのセットを推測することを目的としている。
既存のTSP手法は、三重項の集合を三重項ごとに予測し、予測された三重項間の依存関係を捕捉して一貫性を確保するのに不足する。
そこで本研究では,TSPを生成課題として扱う離散拡散モデルDiffTSPを提案する。
DiffTSPは、離散拡散過程を通じてKGにノイズを徐々に加える。
逆過程は、不完全グラフ上で条件付けられた完全KGを徐々に復元する。
この目的のために,関係文脈エンコーダと知識グラフ生成のための関係グラフ拡散変換器を統合した構造対応デノベーションネットワークを設計する。
DiffTSPは、予測されたトリプル間の依存関係を確保しながら、完全なトリプルセットをワンパスで生成することができる。
提案手法は,3つの公開データセット上での最先端性能を実現する。
コード:https://github.com/ADMIS-TONGJI/DiffTSP。
関連論文リスト
- TA-KAND: Two-stage Attention Triple Enhancement and U-KAN based Diffusion For Few-shot Knowledge Graph Completion [14.690889651373437]
知識グラフはインテリジェントな質問応答、レコメンダシステム、その他の領域に広く応用されている。
実世界のデータは、必然的に長い尾を持つ関係の分布を表現し、限られたサンプルで行方不明の事実を完遂することが不可欠である。
本稿では,U-KANに基づく拡散モデルと2段階のアテンショントリプルエンハンサーを統合した数ショットの知識グラフ補完フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-13T05:04:59Z) - Start from Zero: Triple Set Prediction for Automatic Knowledge Graph Completion [49.19814695500355]
トリプルセット予測(TSP)と呼ばれるグラフレベルの自動KG補完タスクを提案する。
TSPは、欠落した三重項の要素が与えられていないと仮定する。
予測のための巨大な候補三重項に対処するために,新しい,効率的なサブグラフベースGPHTを提案する。
論文 参考訳（メタデータ） (2024-06-26T08:26:32Z) - Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation [51.47994645529258]
Few-shot Knowledge Graph (KG) Reasoningは、KGにおける稀な関係に対して、目に見えない三つ子(すなわちクエリ三つ子)を予測することを目的としている。
本稿では,種々のサブグラフに文脈化グラフの情報を効果的に適応させる手法であるSAFER(Subgraph Adaptation for Few-shot Reasoning)を提案する。
論文 参考訳（メタデータ） (2024-06-19T21:40:35Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-15T14:36:38Z) - Prompt Based Tri-Channel Graph Convolution Neural Network for Aspect
Sentiment Triplet Extraction [63.0205418944714]
Aspect Sentiment Triplet extract (ASTE)は、ある文の三つ子を抽出する新しいタスクである。
近年の研究では、単語関係を二次元テーブルにエンコードするテーブル充填パラダイムを用いてこの問題に対処する傾向にある。
本稿では, 関係表をグラフに変換し, より包括的な関係情報を探索する, Prompt-based Tri-Channel Graph Convolution Neural Network (PT-GCN) と呼ばれるASTEタスクの新しいモデルを提案する。
論文 参考訳（メタデータ） (2023-12-18T12:46:09Z) - Federated Knowledge Graph Completion via Latent Embedding Sharing and
Tensor Factorization [51.286715478399515]
FLEST(Federated Latent Embedding Factorization)は、KGの完全化にFederated Factorizationを用いた新しい手法である。
FLESTは埋め込み行列を分解し、潜伏辞書の埋め込みを共有することでプライバシーリスクを低減している。
実証的な結果はFLESTの有効性と効率を示し、パフォーマンスとプライバシのバランスのとれたソリューションを提供する。
論文 参考訳（メタデータ） (2023-11-17T06:03:56Z) - A Review of Knowledge Graph Completion [0.0]
情報抽出法は構造化データや非構造化データからの3重抽出に有効であることが証明された。
現在の知識グラフのほとんどは不完全である。
下流タスクでKGを使用するためには、KGに欠けているリンクを予測することが望ましい。
論文 参考訳（メタデータ） (2022-08-24T16:42:59Z) - Repurposing Knowledge Graph Embeddings for Triple Representation via
Weak Supervision [77.34726150561087]
現在の方法では、事前訓練されたモデルからの実体と述語埋め込みを使わずに、スクラッチから三重埋め込みを学習する。
本研究では,知識グラフからトリプルを自動抽出し,事前学習した埋め込みモデルからそれらのペアの類似性を推定する手法を開発した。
これらのペアの類似度スコアは、細い三重表現のためにシームズ様のニューラルネットワークに供給される。
論文 参考訳（メタデータ） (2022-08-22T14:07:08Z) - Knowledge Generation -- Variational Bayes on Knowledge Graphs [0.685316573653194]
この論文は、現実世界の知識グラフの表現に関するVari Auto-Encoder (VAE) の概念実証である。
生成グラフへのアプローチの成功に触発されて,本モデルである変分オートエンコーダ(rgvae)の能力を評価する。
RGVAEはリンク予測に基づいて評価される。
2つのFB15K-237およびWN18RRデータセットの平均相互ランク(MRR)スコアを比較します。
2次実験における潜伏空間について検討する:まず、2つの三重項の潜伏表現の間の線型、そして各三重項の探索
論文 参考訳（メタデータ） (2021-01-21T21:23:17Z) - Joint Entity and Relation Extraction with Set Prediction Networks [24.01964730210045]
我々は,結合実体と関係抽出を直接セット予測問題として扱う。
一定の順序で三重項を一つずつ生成する自己回帰アプローチとは異なり、提案したネットワークは1ショットで三重項の最終セットを直接出力する。
2つのベンチマークデータセットによる実験により,提案モデルが現在の最先端手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2020-11-03T13:04:31Z)
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。