論文の概要: KGPFN: Unlocking the Potential of Knowledge Graph Foundation Model via In-Context Learning

• arxiv url: http://arxiv.org/abs/2605.14907v1
• Date: Thu, 14 May 2026 14:41:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.884966
• Title: KGPFN: Unlocking the Potential of Knowledge Graph Foundation Model via In-Context Learning
• Title（参考訳）: KGPFN:インコンテキスト学習による知識グラフ基盤モデルの可能性の解き放つ
• Authors: Yisen Gao, Jiaxin Bai, Haoyu Huang, Zhongwei Xie, Yufei Li, Hong Ting Tsang, Sirui Han, Yangqiu Song,
• Abstract要約: 知識グラフ(KG)基盤モデルは、伝達可能な関係構造を学習することによって、目に見えない実体と関係を持つグラフを一般化することを目的としている。 そこで我々は,KGPFNを提案する。KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN。 57KGベンチマークの実験では、KGPFNは、文脈内学習だけで、これまで見られなかったグラフに強く適応することを示した。
• 参考スコア（独自算出の注目度）: 51.44698654440413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph (KG) foundation models aim to generalize across graphs with unseen entities and relations by learning transferable relational structure. However, most existing methods primarily emphasize relation-level universality, while in-context learning, the other pillar of foundation models remains under-explored for KG reasoning. In KGs, context is inherently structured and heterogeneous: effective prediction requires conditioning on the local context around the query entities as well as the global context that summarizes how a relation behaves across many instances. We propose KGPFN, a KG foundation model using Prior-data Fitted Network that unifies transferable relational regularities with inference-time in-context learning from structured context. KGPFN first learns relation representations via message passing on relation graphs to capture cross-graph relational invariances. For query-specific reasoning, it encodes local neighborhoods using a multi-layer NBFNet as local context. To enable ICL at global scale, it constructs relation-specific global context by retrieving a large set of instances of the query relation together with their local neighborhoods, and aggregates them within a Prior-Data Fitted Network framework that combines feature-level and sample-level attention. Through multi-graph pretraining on diverse KGs, KGPFN learns when to instantiate reusable patterns and when to override them using contextual evidence. Experiments on 57 KG benchmarks demonstrate that KGPFN achieves strong adaptation to previously unseen graphs through in-context learning alone, consistently outperforming competitive fine-tuned KG foundation models. Our code is available at https://github.com/HKUST-KnowComp/KGPFN.
• Abstract（参考訳）: 知識グラフ(KG)基盤モデルは、伝達可能な関係構造を学習することによって、目に見えない実体と関係を持つグラフを一般化することを目的としている。 しかし、既存のほとんどの手法は関係レベルの普遍性に重点を置いているのに対し、文脈内学習では、基礎モデルの他の柱はKG推論では未探索のままである。 KGでは、コンテキストは本質的に構造化され、不均一である: 効果的な予測には、クエリエンティティの周りのローカルコンテキストと、関係が多くのインスタンスにわたってどのように振る舞うかをまとめたグローバルコンテキストの条件付けが必要である。 KGPFNは、事前データフィッティングネットワークを用いたKG基盤モデルであり、構造化コンテキストからの推論時インコンテキスト学習と変換可能なリレーショナルレギュナリティを統一する。 KGPFNはまず、関係グラフ上のメッセージパッシングを通じて関係表現を学習し、クロスグラフ関係不変性をキャプチャする。 クエリ固有の推論のために、マルチレイヤのNBFNetをローカルコンテキストとしてローカル近所を符号化する。 ICLをグローバルスケールで有効化するために、クエリ関係の大量のインスタンスをローカル地区と共に検索し、特徴レベルとサンプルレベルの注意を組み合わせたPreside-Data Fitted Networkフレームワークに集約することで、関係特異的なグローバルコンテキストを構築する。 KGPFNは多様なKGの事前学習を通じて、再利用可能なパターンをいつインスタンス化し、いつそれを文脈的エビデンスを使ってオーバーライドするかを学習する。 57KGベンチマークの実験により、KGPFNは、コンテキスト内学習だけで、これまで見られなかったグラフに強い適応を達成し、競争力のある微調整KG基礎モデルより一貫して優れていることが示された。 私たちのコードはhttps://github.com/HKUST-KnowComp/KGPFN.comで公開されています。

関連論文リスト

• Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need? [57.28763506780752]
  GraphFlowは、テキストリッチなKGから現実世界のクエリに必要な正確で多様な知識を効率的に取得するフレームワークである。 GPT-4oを含む強力なKG-RAGベースラインを10%上回り、ヒット率とリコール率で上回る。 また、KGを見えないものに強く一般化し、その有効性と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-10-18T17:06:49Z)
• Context Pooling: Query-specific Graph Pooling for Generic Inductive Link Prediction in Knowledge Graphs [55.918039693545616]
  本稿では,知識グラフにおけるリンク予測に対するGNNモデルの有効性を高めるために,コンテキストプーリングという新しい手法を提案する。 提案手法は,3つのパブリック・トランスダクティブおよびインダクティブ・データセット上の2つの最先端(SOTA)モデルに適用することにより,汎用的評価を行う。
  論文  参考訳（メタデータ） (2025-07-10T09:54:37Z)
• Graph Collaborative Attention Network for Link Prediction in Knowledge Graphs [0.0]
  我々は、マルチヘッドの注意を生かしたグラフニューラルネットワークモデルKBGATに着目し、局所的な近傍構造における実体的特徴と関係性の両方を共同で符号化する。 textbfGCAT(Graph Collaborative Attention Network)は,異種ノード間のコンテキストアグリゲーションとインタラクションを強化する改良されたモデルである。 本研究は,知識グラフ補完タスクにおいて,複雑なリレーショナルパターンをキャプチャする上で,注目に基づくアーキテクチャの利点を浮き彫りにするものである。
  論文  参考訳（メタデータ） (2025-07-05T08:13:09Z)
• Enhancing Knowledge Graph Completion with Entity Neighborhood and Relation Context [12.539576594311127]
  KGC-ERCは、両方のコンテキストを統合し、生成言語モデルの入力を強化し、それらの推論能力を向上するフレームワークである。 Wikidata5M、Wiki27K、FB15K-237-Nデータセットの実験は、KGC-ERCが予測性能とスケーラビリティにおいて最先端のベースラインより優れているか、あるいは一致していることを示している。
  論文  参考訳（メタデータ） (2025-03-29T20:04:50Z)
• Grounding LLM Reasoning with Knowledge Graphs [4.279373869671241]
  我々は、知識グラフと推論戦略を統合することで、KGデータにおける推論チェーンのすべてのステップまたは"思想"をアンカーする。 我々は,Chain-of-Thought (CoT), Tree-of-Thought (ToT), Graph-of-Thought (GoT) など,いくつかの推論手法によるエージェント検索と自動検索の両方を評価した。 我々の実験は、このアプローチがベースラインモデルより一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2025-02-18T19:20:46Z)
• KG-CF: Knowledge Graph Completion with Context Filtering under the Guidance of Large Language Models [55.39134076436266]
  KG-CFはランキングベースの知識グラフ補完タスクに適したフレームワークである。 KG-CFは、LLMの推論能力を活用して、無関係なコンテキストをフィルタリングし、現実世界のデータセットで優れた結果を得る。
  論文  参考訳（メタデータ） (2025-01-06T01:52:15Z)
• A Prompt-Based Knowledge Graph Foundation Model for Universal In-Context Reasoning [17.676185326247946]
  そこで本研究では,テキスト内学習,すなわちKG-ICLを介し,プロンプトに基づくKGファウンデーションモデルを提案する。 クエリにおけるエンティティや関係を発見できないような一般化機能を備えたプロンプトグラフを符号化するために,まず統一トークン化器を提案する。 そこで我々は,プロンプトエンコーディングとKG推論を行う2つのメッセージパッシングニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:18Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。