論文の概要: Generative Representation Learning on Hyper-relational Knowledge Graphs via Masked Discrete Diffusion

• arxiv url: http://arxiv.org/abs/2605.24064v1
• Date: Fri, 22 May 2026 04:18:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.570543
• Title: Generative Representation Learning on Hyper-relational Knowledge Graphs via Masked Discrete Diffusion
• Title（参考訳）: Masked Discrete Diffusionによるハイパーリレーショナル知識グラフの生成的表現学習
• Authors: Jaejun Lee, Seheon Kim, Joyce Jiyoung Whang,
• Abstract要約: ハイパーリレーショナル知識グラフ(HKG)は、複雑な事実を効果的に表現する。 現在の手法では、事実内のほぼすべての実体と関係が知られており、空白が1つしか満たされないと仮定して、単純なリンク予測として捉えられている。 KREPEは、欠落成分の確率分布をモデル化するHKGの最初の生成表現学習法である。
• 参考スコア（独自算出の注目度）: 11.74535262984808
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hyper-relational knowledge graphs (HKGs) effectively represent complex facts. While inferring new knowledge in HKGs is a critical problem, current methods cast it as a simple link prediction, assuming that nearly all entities and relations within a fact are known, leaving only a single blank to be filled. However, this restricted assumption may not hold in real-world scenarios in which multiple, or even all, constituent components of a fact may be missing simultaneously. To bridge this gap, we introduce a task called fact generation: generating a valid hyper-relational fact from an arbitrarily masked query, i.e., completing a partially observed fact or generating a fact from scratch. We propose KREPE, the first generative representation learning method for HKGs that learns to model the probability distributions of missing components conditioned on the local fact components and global structure of HKGs via a masked discrete diffusion. KREPE models both the intra-fact dependencies by contextual message passing and inter-fact correlations by aggregating stochastically sampled contexts. KREPE seamlessly unifies link prediction and fact generation within a single training framework, achieving state-of-the-art performance on standard HKG link prediction benchmarks and outperforming LLM-based baselines in generating novel and correct facts.
• Abstract（参考訳）: ハイパーリレーショナル知識グラフ(HKG)は、複雑な事実を効果的に表現する。 HKGsにおける新しい知識を推測することは重大な問題であるが、現在の手法では、事実内のほとんどすべての実体と関係が知られていると仮定して、それを単純なリンク予測として表現している。 しかし、この制限された仮定は、事実の複数の、あるいはすべての構成要素が同時に欠落しているような現実のシナリオには当てはまらないかもしれない。 このギャップを埋めるために、我々はファクトジェネレーションと呼ばれるタスクを導入する:任意のマスマスキングされたクエリから有効なハイパーリレーショナルな事実を生成する、すなわち、部分的に観察された事実を完了したり、スクラッチから事実を生成する。 KREPEは,HKGの局所的事実成分と大域的構造をマスク付き離散拡散によりモデル化し,その確率分布をモデル化する,HKGの最初の生成表現学習手法である。 KREPEは、コンテキストメッセージパッシングによるファクト内依存関係と、確率的にサンプリングされたコンテキストの集約によるファクト間相関の両方をモデル化する。 KREPEは、単一のトレーニングフレームワーク内でリンク予測と事実生成をシームレスに統一し、標準HKGリンク予測ベンチマーク上で最先端のパフォーマンスを達成し、新規かつ正しい事実を生成する上でLLMベースのベースラインより優れている。

関連論文リスト

• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• Efficient Relational Context Perception for Knowledge Graph Completion [25.903926643251076]
  知識グラフ(KG)は知識の構造化された表現を提供するが、しばしば不完全性の課題に悩まされる。 従来の知識グラフ埋め込みモデルは、表現力のある特徴を捉える能力に制限がある。 逐次情報をモデル化し,動的文脈の学習を可能にする三重受容アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-31T11:25:58Z)
• UniHR: Hierarchical Representation Learning for Unified Knowledge Graph Link Prediction [59.84402324458322]
  実世界の知識グラフ(英語版) (KGs) は標準的な三つの事実だけでなく、より複雑で異種な事実も含んでいる。 ハイパーリレーショナルKG,時間的KG,ネストした事実KGを3次元表現に統一する学習フレームワークであるUniHRを提案する。 5種類のKGにまたがる9つのデータセットの実験は、UniHRの有効性を示し、統一表現の強い可能性を強調している。
  論文  参考訳（メタデータ） (2024-11-11T14:22:42Z)
• Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
  コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。 古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-10T18:49:59Z)
• Shrinking Embeddings for Hyper-Relational Knowledge Graphs [42.23862602535092]
  本稿では,これらのパターンを明示的にモデル化することを目的とした幾何学的ハイパーリレーショナルKG埋め込み手法であるemphShrinkEを提案する。 実験の結果、ShrinkEは3つのハイパーリレーショナルKGのベンチマークで優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-03T21:14:59Z)
• Few-shot Link Prediction on N-ary Facts [70.8150181683017]
  ハイパーリレーショナル・ファクト(LPHFs)のリンク予測は、ハイパーリレーショナル・事実の欠落要素を予測することである。 Few-Shot Link Prediction on Hyper-Relational Facts (PHFs) は、サポートインスタンスが限定されたハイパーリレーショナルな事実において、欠落したエンティティを予測することを目的としている。
  論文  参考訳（メタデータ） (2023-05-10T12:44:00Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)

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。