論文の概要: PrimeKG-CL: A Continual Graph Learning Benchmark on Evolving Biomedical Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2605.10529v1
• Date: Mon, 11 May 2026 13:14:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.83753
• Title: PrimeKG-CL: A Continual Graph Learning Benchmark on Evolving Biomedical Knowledge Graphs
• Title（参考訳）: PrimeKG-CL: バイオメディカル知識グラフの進化に関する継続的なグラフ学習ベンチマーク
• Authors: Yousef A. Radwan, Yao Li, Qing Qing, Ziqi Xu, Xingtong Yu, Jiaxing Huang, Renqiang Luo, Xikun Zhang,
• Abstract要約: 既存の連続グラフ学習は、ほとんど完全に合成ランダムな一般的なKGについて研究されている。 9つの信頼できるバイオメディカルデータベースから構築されたベンチマークを導入する。 我々は、4つのKGEデコーダ、LKGE、CK-hugging agent、CMKLの6つのCL戦略を評価した。
• 参考スコア（独自算出の注目度）: 19.859134741964805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical knowledge graphs underwrite drug repurposing and clinical decision support, yet the upstream ontologies they depend on update on independent cycles that add millions of edges and deprecate hundreds of thousands more between releases. Yet existing continual graph learning has been studied almost exclusively on synthetic random splits of static, generic KGs, a regime that cannot reproduce the asynchronous, structured evolution real biomedical KGs undergo. To this end, we introduce PrimeKG-CL, a CGL benchmark built from nine authoritative biomedical databases (129K+ nodes, 8.1M+ edges, 10 node types, 30 relation types) with two genuine temporal snapshots (June 2021, July 2023; 5.83M edges added, 889K removed, 7.21M persistent), 10 entity-type-grouped tasks, multimodal node features, and a per-task persistent/added/removed test stratification. On three tasks (biomedical relationship prediction, entity classification, KGQA), we evaluate six CL strategies across four KGE decoders, plus LKGE, an LLM-RAG agent, and CMKL. We find that decoder choice and continual learning strategy interact strongly: no single strategy performs best across all decoders, and mismatched combinations can significantly degrade performance. Moreover, only DistMult exhibits a clear separation between persistent and deprecated knowledge, indicating that standard metrics conflate retention of still-valid facts with failure to forget outdated ones; this effect is absent under RotatE. In addition, multimodal features improve entity-level tasks by up to 60%, and a recent CKGE framework (IncDE) failed to scale to our 5.67M-triple base task across five attempts up to 350GB RAM. Data, pipeline, baselines, and the stratified split are released openly. Dataset:huggingface.co/datasets/yradwan147/PrimeKGCL|Code:github.com/yradwan147/primekg-cl-neurips2026
• Abstract（参考訳）: バイオメディカル・ナレッジグラフは、医薬品の買い戻しと臨床的な意思決定を支援するが、上流のオントロジーは、数百万のエッジを追加し、リリースの間に何十万ものものを非推奨にする独立したサイクルの更新に依存している。 しかし、既存の連続グラフ学習は、静的な一般的なKGの合成ランダムスプリットにのみ研究されており、これは非同期で構造化された実際の生物医学的なKGを再現できない状態である。 この目的のために,9つの信頼できるバイオメディカルデータベース(129K+ノード,8.1M+エッジ,10ノードタイプ,30の関係型)と2つの真の時間的スナップショット(2021年6月,2023年7月,5.83Mエッジの追加,889K削除,7.21M永続性),エンティティタイプグループタスク10,マルチモーダルノード機能,タスク毎の永続/追加/削除テスト層によるCGLベンチマークであるPrimeKG-CLを紹介した。 3つのタスク(生物関係予測,エンティティ分類,KGQA)において,4つのKGEデコーダ,LKGE,LLM-RAGエージェント,CMKLの6つのCL戦略を評価する。 デコーダの選択と継続学習戦略は、すべてのデコーダで最善を尽くす戦略はなく、ミスマッチした組み合わせはパフォーマンスを著しく低下させる可能性がある。 さらに、DistMultだけが永続的な知識と非推奨な知識の明確な分離を示しており、標準メトリクスが、古い事実を忘れることに失敗して、まだ有効な事実の保持を強調していることを示している。 さらに、マルチモーダル機能はエンティティレベルのタスクを最大60%改善し、最近のCKGEフレームワーク(IncDE)は、最大350GB RAMまでの5回までの5.67Mトリプルベースタスクにスケールできなかった。 データ、パイプライン、ベースライン、階層化された分割は、オープンにリリースされる。 Dataset:huggingface.co/datasets/yradwan147/PrimeKGCL|Code:github.com/yradwan147/primekg-cl-neurips2026

関連論文リスト

• CMKL: Modality-Aware Continual Learning for Evolving Biomedical Knowledge Graphs [11.909154331954456]
  本稿では, 構造, テキスト, 分子を符号化し, それまでの知識を保護した生物医学的KGのためのCLフレームワークを提案する。 CMKLを129K-entity Biomedical continual benchmarkで10タスクで評価した。
  論文  参考訳（メタデータ） (2026-05-11T13:03:37Z)
• Graph-Aware Late Chunking for Retrieval-Augmented Generation in Biomedical Literature [0.0]
  GraLC-RAGは、グラフ認識構造インテリジェンスと遅延チャンキングを統合するフレームワークである。 2,359 IMRaD-filtered Centralの項目に対して,2,033の横断質問を用いた6つの戦略を評価する。
  論文  参考訳（メタデータ） (2026-03-23T23:22:58Z)
• Open Biomedical Knowledge Graphs at Scale: Construction, Federation, and AI Agent Access with Samyama Graph Database [0.0]
  オープンソースバイオメディカル知識グラフとして,パスKG,臨床トライアルKG,薬物相互作用KGの3つを提示する。 まず、異種公開データソースから大規模KGを構築するための高性能グラフについて述べる。 次に、3つのスナップショットを1つのグラフテナントにロードすることで、プロパティベースの結合が可能になる。
  論文  参考訳（メタデータ） (2026-03-16T10:36:13Z)
• MePo: Meta Post-Refinement for Rehearsal-Free General Continual Learning [47.195830952416294]
  PTMs-based General Continual Learning (GCL) のためのMeta Post-Refinement (MePo) という革新的なアプローチを導入する。 MePoは、事前学習データから擬似タスクシーケンスを構築し、事前訓練されたバックボーンを洗練するための双方向メタラーニングパラダイムを開発する。 MePoはプラグイン戦略として機能し、さまざまなGCLベンチマークや事前訓練されたチェックポイントで大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-02-08T12:15:35Z)
• Encyclo-K: Evaluating LLMs with Dynamically Composed Knowledge Statements [78.87065404966002]
  既存のベンチマークは、主に質問レベルで質問をキュレートする。 ベンチマーク構築をゼロから再考するステートメントベースのベンチマークであるEncyclo-Kを提案する。
  論文  参考訳（メタデータ） (2025-12-31T13:55:54Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph [57.54231831309079]
  我々は、時間的に進化する医療知識グラフを構築するためのフレームワークであるMedKGentを紹介する。 生医学的知識の出現を, 微粒な日々の時系列でシミュレートする。 結果として得られるKGは156,275個のエンティティと2,971,384個のリレーショナルトリプルを含む。
  論文  参考訳（メタデータ） (2025-08-17T15:14:03Z)
• Predicting Drug-Drug Interactions Using Knowledge Graphs [0.0]
  本稿では,公開医薬品リポジトリからKnowledge Graphにいくつかのドラッグ機能を統合する,医療用エンドツーエンドフレームワークを提案する。 最終的には、未知のドラッグ・ドラッグ・インタラクション(DDI)を予測する機械学習(ML)アルゴリズムを使用します。 また、グラフニューラルネットワーク(GNN)を用いたグラフ自動エンコーダモデルを開発し、91.94%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2023-08-08T10:07:22Z)

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。