論文の概要: Graphlets as Building Blocks for Structural Vocabulary in Knowledge Graph Foundation Models

• arxiv url: http://arxiv.org/abs/2605.06154v1
• Date: Thu, 07 May 2026 12:47:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.786975
• Title: Graphlets as Building Blocks for Structural Vocabulary in Knowledge Graph Foundation Models
• Title（参考訳）: 知識グラフ基礎モデルにおける構造語彙構築ブロックとしてのグラフレット
• Authors: Kossi Amouzouvi, Robert Wardenga, Jens Lehmann, Sahar Vahdati,
• Abstract要約: 本稿では,パターンマッチングによる関係性間の知識グラフをマイニングする,グラフレットの語彙に基づくモデルに依存しないフレームワークを提案する。 実験により、語彙に単純なグラフレットを追加すると、以前のKGFMよりも優れたモデルが得られることが示された。
• 参考スコア（独自算出の注目度）: 6.045984439549515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models excel at language, where sentences become tokens, and vision, where images become pixels, because both reduce to discrete symbols on a shared, fixed grid. Knowledge Graphs share the discreteness, but not the geometry. Their entities and relations are discrete symbols, yet their arrangement is relational and lacks a common, fixed grid. Knowledge Graphs (KGs) share the discreteness, but not the geometry. They form irregular, non-Euclidean topologies whose local neighborhoods differ from graph to graph. Therefore, Knowledge Graph Foundation Models (KGFMs) rely on identifying structural invariances to produce transferable representations. Without a universal token set, KGFMs are limited in their ability to transfer representations across unseen KGs. We close this gap by treating graphlets, small connected graphs, as structural tokens that recur in heterogeneous KGs. In this paper, We introduce a model-agnostic framework based on a vocabulary of graphlets that mines a KG between relations via pattern matching. In particular, we considered closed and open 2- and 3-path, and star graphlets, to obtain robust invariances. The framework is evaluated on 51 KGs from a wide range of domains, for zero-shot inductive and transductive link prediction. Experiments show that adding simple graphlets to the vocabulary yields models that outperform prior KGFMs.
• Abstract（参考訳）: 基礎モデルは、文がトークンとなる言語と、画像がピクセルになるビジョンにおいて、どちらも共有された固定されたグリッド上の離散シンボルに還元される。 知識グラフは離散性を共有するが、幾何学的ではない。 それらの実体と関係は離散的なシンボルであるが、それらの配置はリレーショナルであり、共通の固定格子を持たない。 知識グラフ(KG)は離散性を共有するが、幾何学的ではない。 これらは、局所近傍がグラフからグラフへ異なる不規則で非ユークリッド位相を形成する。 したがって、知識グラフ基礎モデル(KGFM)は、伝達可能な表現を生成するために構造的不変性を特定することに依存する。 普遍トークン集合がなければ、KGFMは未知のKG間で表現を転送する能力に制限される。 グラフレット、小さな連結グラフを不均一なKGで再帰する構造トークンとして扱うことで、このギャップを埋める。 本稿では,パターンマッチングによる関係関係のKGをマイニングするグラフレットの語彙に基づくモデルに依存しないフレームワークを提案する。 特に, 閉かつ開な2-および3-パス, 恒星グラフレットを, 頑健な不変性を得るために検討した。 このフレームワークは、ゼロショットインダクティブおよびトランスダクティブリンク予測のために、幅広い領域から51KGで評価される。 実験により、語彙に単純なグラフレットを追加すると、以前のKGFMよりも優れたモデルが得られることが示された。

関連論文リスト

• Riemannian Geometry Speaks Louder Than Words: From Graph Foundation Model to Next-Generation Graph Intelligence [51.30336200738606]
  グラフ基礎モデル(GFM)がグラフ学習に不可欠であるという強い合意がある。 LLM(Large Language Models)に類似した強力で汎用的なGFMを構築する方法については、かなりの意見の相違が続いている。
  論文  参考訳（メタデータ） (2026-03-23T05:49:19Z)
• Graph Pattern-based Association Rules Evaluated Under No-repeated-anything Semantics in the Graph Transactional Setting [0.6599344783327054]
  RDFグラフのような有向ラベル付き多グラフに対するグラフパターンに基づくアソシエーションルール(GPAR)を導入する。 GPARはグラフが拡張された生成タスクと、グラフの妥当性を評価する評価タスクの両方をサポートする。
  論文  参考訳（メタデータ） (2025-12-17T10:52:15Z)
• Multi-View Graph Learning with Graph-Tuple [13.991938982402807]
  効率的なグラフニューラルネットワーク(GNN)のためのマルチビューグラフタプルフレームワークを提案する。 グラフタプルフレームワークはグラフを1つのグラフの代わりに非結合部分グラフに分割し、主要な局所的な相互作用とより弱い長距離接続をキャプチャする。 我々は2つの科学的領域の枠組みをインスタンス化し、特徴量を持つクーロン行列からの分子特性予測と幾何学的点雲からの宇宙パラメータ推定を行う。
  論文  参考訳（メタデータ） (2025-10-11T20:57:03Z)
• Towards Foundation Models for Knowledge Graph Reasoning [18.77355708537997]
  知識グラフ(KG)は、一般に重複しない異なる実体と関係語彙を持つ。 本稿では、普遍的および伝達可能なグラフ表現を学習するためのアプローチであるULTRAを提案する。 様々な大きさの未確認グラフ上の単一事前学習ULTRAモデルのゼロショット帰納的推論性能は、特定のグラフ上で訓練された強いベースラインよりも、しばしば同等かそれ以上である。
  論文  参考訳（メタデータ） (2023-10-06T20:00:07Z)
• Finding the Missing-half: Graph Complementary Learning for Homophily-prone and Heterophily-prone Graphs [48.79929516665371]
  ホモフィリーなエッジを持つグラフは、同じクラスでノードを接続する傾向がある。 ヘテロフィ的傾向のあるエッジは、異なるクラスを持つノード間の関係を構築する傾向がある。 既存のGNNはトレーニング中にオリジナルのグラフのみを取る。
  論文  参考訳（メタデータ） (2023-06-13T08:06:10Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)
• Bridging Knowledge Graphs to Generate Scene Graphs [49.69377653925448]
  本稿では,2つのグラフ間の情報伝達を反復的に行う新しいグラフベースニューラルネットワークを提案する。 我々のグラフブリッジネットワークであるGB-Netは、エッジとノードを連続的に推論し、相互接続されたシーンとコモンセンスグラフのリッチでヘテロジニアスな構造を同時に活用し、洗練する。
  論文  参考訳（メタデータ） (2020-01-07T23:35:52Z)

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。