論文の概要: Boosting Knowledge Graph Foundation Models via Enhanced Negative Sampling

• arxiv url: http://arxiv.org/abs/2605.27023v1
• Date: Tue, 26 May 2026 13:42:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.194272
• Title: Boosting Knowledge Graph Foundation Models via Enhanced Negative Sampling
• Title（参考訳）: 強化負サンプリングによる知識グラフ基礎モデルの強化
• Authors: Yinan Liu, Wenjin Xu, Zhiyuan Zha, Xiaochun Yang, Bin Wang,
• Abstract要約: そこで我々は,既存の知識グラフを強化するための適応型負サンプリング手法KMASを提案する。 KMASはトレーニングプロセス全体を通して、ハード負の三重項の比率を動的に調整する。 提案手法は,過剰な追加時間やメモリ消費を必要とせず,多くのSOTA KGFMを増強することができる。
• 参考スコア（独自算出の注目度）: 13.403039713602759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) have become the core backbone of numerous downstream tasks such as question answering and recommender systems. However, despite all this, KGs are often very incomplete. To perform zero-shot knowledge graph completion in unseen KGs, which have different relational vocabularies from those used for pre-training, KG foundation models (KGFMs) receive a wide range of attention. Existing KGFMs often perform training using random negative triples, which are constructed by replacing the head or tail entity of a positive triple with a random entity. However, these negative triples are often constructed with limited quality, providing weak supervision for KGFM training. In this paper, we propose a simple yet effective adaptive negative sampling approach, KMAS, to enhance existing KGFMs. KMAS constructs hard negative triples through the updated relation embeddings generated from the existing KGFM's relation encoder. To further adaptively align with the evolving capability of the KGFM during the training process, KMAS adjusts the ratio of hard negative triples dynamically throughout the whole training process: after a warmup phrase, it increases the ratio linearly and then decreases linearly. Extensive experiments are conducted over 44 data sets. Experimental results demonstrate that our proposed negative sampling method can enhance many SOTA KGFMs without requiring excessive additional time or memory consumption.
• Abstract（参考訳）: 知識グラフ(KG)は、質問応答や推薦システムなど、多くの下流タスクのコアバックボーンとなっている。 しかし、これらのにもかかわらず、KGsはしばしば非常に不完全である。 事前学習に使用するものと異なる関係語彙を持つ未知のKGにおいてゼロショット知識グラフ補完を行うため、KG基礎モデル(KGFM)は幅広い注目を集める。 既存のKGFMは、正の三重項の頭や尾の実体をランダムな実体に置き換えることで構成されるランダムな負の三重項を用いて訓練を行うことが多い。 しかし、これらの負の三重項はしばしば限られた品質で構築され、KGFM訓練の監督が弱い。 本稿では,既存のKGFMを改良するために,単純かつ効果的な適応型負サンプリング手法KMASを提案する。 KMASは、既存のKGFMの関係エンコーダから生成された更新された関係埋め込みによって、ハード負の三重項を構成する。 トレーニングプロセス中にKGFMの進化能力に適応するため、KMASはトレーニングプロセス全体を通して硬負三重項の比率を動的に調整する。 44のデータセットで大規模な実験が行われた。 実験の結果,提案手法は過剰な追加時間やメモリ消費を必要とせず,多くのSOTA KGFMを増強できることがわかった。

関連論文リスト

• Align Your Tangent: Training Better Consistency Models via Manifold-Aligned Tangents [55.43139356528315]
  一貫性モデル(CM)は、フロー常微分方程式の軌跡に一貫性があるように訓練される。 CMは典型的には、競争力のあるサンプルの品質を得るために、大きなバッチサイズで長期のトレーニングを必要とする。 本稿では,データ多様体に向いた多様体整列接点を提供する,MFDと呼ばれる新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2025-10-01T08:35:18Z)
• Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling [53.11315884128402]
  時間知識グラフ(TKG)補完モデルは、伝統的にトレーニング中にグラフ全体へのアクセスを前提としている。 本稿では,TKGに特化して設計されたインクリメンタルトレーニングフレームワークを提案する。 提案手法は,モデルに依存しない拡張層と加重サンプリング戦略を組み合わせることで,既存のTKG補完手法を拡張および改善することができる。
  論文  参考訳（メタデータ） (2025-07-25T06:02:48Z)
• MuCo-KGC: Multi-Context-Aware Knowledge Graph Completion [0.0]
  Multi-Context-Aware Knowledge Graph Completion (MuCo-KGC) は、グラフ内のリンクされたエンティティや関係からのコンテキスト情報を利用して、テールエンティティを予測する新しいモデルである。 MuCo-KGCは、エンティティ記述と負の三重項サンプリングの必要性を排除し、性能を高めながら計算の複雑さを著しく低減する。 FB15k-237、WN18RR、CoDEx-S、CoDEx-Mなどの標準データセットに関する実験は、MuCo-KGCが3つのデータセット上で最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2025-03-05T01:18:11Z)
• Diffusion-based Hierarchical Negative Sampling for Multimodal Knowledge Graph Completion [6.24078177211832]
  マルチモーダル知識グラフ補完(MMKGC)は、マルチモーダル知識グラフにおける不足知識の重要な問題に対処することを目的としている。 従来のアプローチでは、多モーダル情報の活用を無視して、多様で高品質な負の三重項を生成する。 本稿では,MMKGCタスクに適した拡散型階層的負サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2025-01-26T04:20:34Z)
• 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)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Contrastive Knowledge Graph Error Detection [11.637359888052014]
  提案する新しいフレームワーク - ContrAstive Knowledge Graph Error Detection (CAGED) を提案する。 CAGEDは、KG学習に対照的な学習を導入し、KGモデリングの新しい方法を提供する。 KGエラー検出における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-11-18T05:01:19Z)
• KG-NSF: Knowledge Graph Completion with a Negative-Sample-Free Approach [4.146672630717471]
  埋め込みベクトルの相互相関行列に基づいてKG埋め込みを学習するための負のサンプリングフリーフレームワークbftextKG-NSFを提案する。 提案手法は, より高速に収束しながら, 負のサンプリングに基づく手法に比較して, リンク予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2022-07-29T11:39:04Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。