論文の概要: Leveraging Graph Structure in Seq2Seq Models for Knowledge Graph Link Prediction

• arxiv url: http://arxiv.org/abs/2605.18211v1
• Date: Mon, 18 May 2026 10:56:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.410059
• Title: Leveraging Graph Structure in Seq2Seq Models for Knowledge Graph Link Prediction
• Title（参考訳）: 知識グラフリンク予測のためのSeq2Seqモデルにおけるグラフ構造の利用
• Authors: Luu Huu Phuc, Ratan Bahadur Thapa, Mojtaba Nayyeri, Jingcheng Wu, Evgeny Kharlamov, Steffen Staab,
• Abstract要約: Graph-Augmented Sequence-to-Sequence (GA-S2S) GA-S2Sは、グラフ注意ネットワーク(RGAT)とT5デコーダを統合する新しいフレームワークである。 CoExデータセットの予備実験では、GA-S2Sが競合するSeq2Seqベースのベースラインモデルより優れていることが示されている。
• 参考スコア（独自算出の注目度）: 18.96090071874467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Graph-Augmented Sequence-to-Sequence (GA-S2S), a novel framework that integrates a T5-small encoder-decoder with a Relational Graph Attention Network (RGAT) to improve link prediction in knowledge graphs. While existing Seq2Seq models rely solely on surface-level textual descriptions of entities and relations and at best, flatten the neighborhoods of a query entity into a single linear sequence, thereby discarding the inherent graph structure, GA-S2S jointly encodes both textual features and the full $k$-hop subgraph topology surrounding the query entity. By integrating raw encoder outputs with RGAT's relation-aware embeddings, our model captures and leverages richer multi-hop relational patterns and textual information. Our preliminary experiments on the CoDEx dataset demonstrate that GA-S2S outperforms competitive Seq2Seq-based baseline models, achieving up to a 19\% relative gain in link prediction accuracy.
• Abstract（参考訳）: 本稿では,T5小エンコーダデコーダとリレーショナルグラフアテンションネットワーク(RGAT)を統合し,知識グラフのリンク予測を改善する新しいフレームワークであるGraph-Augmented Sequence-to-Sequence (GA-S2S)を紹介する。 既存のSeq2Seqモデルは、エンティティとリレーションの表層レベルのテキスト記述のみに依存しており、クエリエンティティの近傍を単一の線形シーケンスにフラットにすることで、固有のグラフ構造を破棄するが、GA-S2Sは、クエリエンティティを囲むテキスト特徴とフル$k$hopサブグラフトポロジーの両方を共同でエンコードする。 生エンコーダ出力とRGATの関係認識埋め込みを統合することで、よりリッチなマルチホップ関係パターンとテキスト情報を取得し、活用する。 CoDExデータセットの予備実験では,GA-S2SはSeq2Seqベースのベースラインモデルよりも優れており,リンク予測精度が196%向上した。

関連論文リスト

• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
  グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。 本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-27T13:13:20Z)
• 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)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Article Classification with Graph Neural Networks and Multigraphs [0.12499537119440243]
  単純なグラフニューラルネットワーク(GNN)パイプラインを多グラフ表現で拡張することにより,記事分類の性能を向上させる手法を提案する。 完全に教師されたトランスダクティブノード分類実験は、Open Graph Benchmark OGBN-arXivデータセットとPubMed糖尿病データセットで実施されている。 その結果、マルチグラフはデフォルトグラフと比較して、様々なGNNモデルの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2023-09-20T14:18:04Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
  我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。 オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
  論文  参考訳（メタデータ） (2022-02-16T05:59:53Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)

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。