論文の概要: The Compressive Knowledge Graph Hypothesis: Which Graph Facts Matter for Scientific Hypothesis Generation?

• arxiv url: http://arxiv.org/abs/2605.27176v2
• Date: Thu, 28 May 2026 14:40:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:54.746917
• Title: The Compressive Knowledge Graph Hypothesis: Which Graph Facts Matter for Scientific Hypothesis Generation?
• Title（参考訳）: 圧縮的知識グラフ仮説:どのグラフが科学的仮説生成に重要なのか?
• Authors: Shashwat Sourav, Viktoriia Baibakova, Sanjay Das, Ran Elgedawy, Maria Mahbub, Emily Herron, Tirthankar Ghosal,
• Abstract要約: 知識グラフ(KG)は言語モデルに構造化された科学的文脈を提供することができるが、どのグラフ事実が生成した仮説を実際に形作るのかは定かではない。 我々は,Mistral-7B,Llama-3.1-70B,Gemini 2.5 Flashの電池材料に対するKG誘導仮説生成について検討した。 局所的なKGを密度,豊かさ,トポロジ,制御構造によって摂動し,提案したグラフおよび固定参照指標を用いて出力を評価する。
• 参考スコア（独自算出の注目度）: 4.576092555267562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs (KGs) can provide structured scientific context to language models, but it remains unclear which graph facts actually shape the generated hypotheses. We study KG-guided hypothesis generation for battery materials across Mistral-7B, Llama-3.1-70B, and Gemini 2.5 Flash. We perturb local KGs by varying density, ontology richness, topology, and control structure, and evaluate outputs with both provided-graph and fixed-reference metrics. Across models, KG utility is selective and model-dependent: graph context changes outputs, but no-KG outputs also recover substantial graph content from model priors. Compact top-k subgraphs often approximate full-KG behavior, including when claimed-outcome triples are held out. At the same time, compression is not unique to one semantic ranking rule, random and topology-based subsets can also recover much of the signal. These results support a redundancy-aware Compressive KG hypothesis: useful KG signal is often recoverable from compact, scientifically structured subgraphs rather than requiring the full local graph.
• Abstract（参考訳）: 知識グラフ(KG)は言語モデルに構造化された科学的文脈を提供することができるが、どのグラフ事実が生成した仮説を実際に形作るのかは定かではない。 我々は,Mistral-7B,Llama-3.1-70B,Gemini 2.5 Flashにおける電池材料のKG誘導仮説生成について検討した。 局所的なKGを様々な密度、オントロジーリッチ性、トポロジー、制御構造で摂動し、供給されたグラフおよび固定参照メトリクスで出力を評価する。 グラフコンテキストは出力を変更するが、KG出力はモデル先行から実質的なグラフコンテンツも復元する。 コンパクトのトップk部分グラフは、クレームアウトカムトリプルが出力される場合を含むフルKGの振る舞いを近似することが多い。 同時に、圧縮は1つのセマンティックランキングルールに固有のものではなく、ランダムおよびトポロジベースのサブセットも信号の多くを復元することができる。 有用なKG信号は、完全な局所グラフを必要とせず、コンパクトで科学的に構造化された部分グラフから回復可能である。

関連論文リスト

• Graphlets as Building Blocks for Structural Vocabulary in Knowledge Graph Foundation Models [6.045984439549515]
  本稿では,パターンマッチングによる関係性間の知識グラフをマイニングする,グラフレットの語彙に基づくモデルに依存しないフレームワークを提案する。 実験により、語彙に単純なグラフレットを追加すると、以前のKGFMよりも優れたモデルが得られることが示された。
  論文  参考訳（メタデータ） (2026-05-07T12:47:34Z)
• Relation Extraction Across Entire Books to Reconstruct Community Networks: The AffilKG Datasets [3.9244082434642555]
  AffilKGは6つのデータセットの集合で、完全な書籍スキャンと大きなラベル付き知識グラフをペアにした最初のものである。 各データセットにはアフィリエイトグラフがあり、人と組織間のメンバ関係をキャプチャするシンプルなKGである。
  論文  参考訳（メタデータ） (2025-05-16T02:24:32Z)
• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• Knowledge Is Flat: A Seq2Seq Generative Framework for Various Knowledge Graph Completion [18.581223721903147]
  KG-S2SはSeq2Seq生成フレームワークであり、異なる言語化可能なグラフ構造に対処できる。 我々は、KG-S2Sが多くの競争ベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2022-09-15T13:49:40Z)
• 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)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• Generating the Graph Gestalt: Kernel-Regularized Graph Representation Learning [47.506013386710954]
  グラフデータの完全な科学的理解は、グローバル構造とローカル構造の両方に対処する必要がある。 本稿では,グラフVAEフレームワークにおける相補的目的として,両者のジョイントモデルを提案する。 実験により,生成したグラフ構造の現実性は,典型的には1-2桁のグラフ構造メトリクスによって著しく向上したことが示された。
  論文  参考訳（メタデータ） (2021-06-29T10:48:28Z)
• Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
  知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。 本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
  論文  参考訳（メタデータ） (2020-04-13T15:43:22Z)

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。