Fugu-MT 論文翻訳(概要): Model Graph Inductive Learning for Knowledge Graph Completion

論文の概要: Model Graph Inductive Learning for Knowledge Graph Completion

arxiv url: http://arxiv.org/abs/2606.16509v1
Date: Mon, 15 Jun 2026 10:13:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 16:21:34.367728
Title: Model Graph Inductive Learning for Knowledge Graph Completion
Title（参考訳）: 知識グラフ補完のためのモデルグラフ帰納学習
Authors: Mohommad Esmaei Khani, Mahdieh Hasheminejad, Ali Taherkhani, Hossein Hajiabolhassan,
Abstract要約: 知識グラフにおけるリンク予測は、エンティティと関係性の学習された埋め込みの品質に依存する。モデルグラフ帰納学習(bftextMGIL)は,クラスタリングエンティティによってモデルグラフを構築するフレームワークである。次に、GNNをモデルグラフに適用して、知識グラフのグローバルなビューをキャプチャする埋め込みを生成する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Link prediction in knowledge graphs fundamentally depends on the quality of learned embeddings for entities and relations. However, most existing methods derive these embeddings by aggregating only the local neighborhood of each entity, neglecting the global structure of the knowledge graph. This limited view prevents models from capturing higher-level structural patterns that are essential for accurate and generalizable link prediction. To address these limitations, we introduce Model Graph Inductive Learning (\textbf{MGIL}), a framework that constructs a model graph by clustering entities based on the similarity of their incoming and outgoing relational structures or their entity types. A GNN is then applied to this model graph to produce embeddings that capture the global view of the knowledge graph. These embeddings subsequently serve as high-quality initial features %embeddings for the original knowledge graph, replacing random initialization and leading to more stable and expressive representations. Extensive experiments on standard and recently proposed inductive benchmarks demonstrate that MGIL achieves state-of-the-art or highly competitive performance in inductive link prediction, highlighting its effectiveness across diverse graph settings.
Abstract（参考訳）: 知識グラフにおけるリンク予測は、学習された実体と関係の埋め込みの品質に大きく依存する。しかし、既存のほとんどの手法は、各エンティティの局所的な近傍のみを集約し、知識グラフのグローバルな構造を無視してこれらの埋め込みを導出する。この限定的な見解は、モデルが正確で一般化可能なリンク予測に不可欠な高レベルの構造パターンをキャプチャすることを防ぐ。このような制約に対処するため,モデルグラフ帰納学習(\textbf{MGIL})というフレームワークを導入する。次に、GNNをモデルグラフに適用して、知識グラフのグローバルなビューをキャプチャする埋め込みを生成する。これらの埋め込みはその後、元の知識グラフに対する %embeddings の高品質な初期特徴として機能し、ランダムな初期化を置き換え、より安定で表現力のある表現をもたらす。標準および最近提案されたインダクティブベンチマークの広範な実験により、MGILはインダクティブリンク予測において最先端または高い競争性能を達成し、様々なグラフ設定におけるその有効性を強調している。

関連論文リスト

G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
論文参考訳（メタデータ） (2025-09-29T04:38:12Z)
GraphUniverse: Enabling Systematic Evaluation of Inductive Generalization [8.95975918626961]
GraphUniverseはグラフの全ファミリーを生成するためのフレームワークである。これにより、スケールでの帰納的一般化の最初の体系的評価が可能になる。私たちの中心となるイノベーションは、永続的なセマンティックなコミュニティを持つグラフの生成です。
論文参考訳（メタデータ） (2025-09-25T12:46:01Z)
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)
GraphOracle: A Foundation Model for Knowledge Graph Reasoning [9.894106590443714]
知識グラフ間の推論を統一する関係中心基盤モデルであるtextbftextscGraphOracleを紹介する。クエリ依存型アテンション機構は,関係性と実体性の両方について帰納的表現を学習するために開発された。多様な知識グラフの事前学習と、数分レベルの微調整により、実体、関係、グラフ全体に対する効果的な一般化が可能となる。
論文参考訳（メタデータ） (2025-05-16T11:14:57Z)
Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文参考訳（メタデータ） (2025-01-01T08:48:53Z)
Introducing Diminutive Causal Structure into Graph Representation Learning [19.132025125620274]
本稿では,グラフニューラルネット(GNN)が専門的な最小の因果構造から洞察を得ることを可能にする新しい手法を提案する。本手法は,これらの小型因果構造のモデル表現から因果知識を抽出する。
論文参考訳（メタデータ） (2024-06-13T00:18:20Z)
DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文参考訳（メタデータ） (2023-06-20T03:33:22Z)
KGLM: Integrating Knowledge Graph Structure in Language Models for Link Prediction [0.0]
我々は、異なるエンティティと関係型を区別することを学ぶ新しいエンティティ/リレーション埋め込み層を導入する。知識グラフから抽出したトリプルを用いて、この追加埋め込み層を用いて言語モデルをさらに事前学習し、続いて標準微調整フェーズにより、ベンチマークデータセット上のリンク予測タスクに対して、新しい最先端のパフォーマンスが設定されることを示す。
論文参考訳（メタデータ） (2022-11-04T20:38:12Z)
A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文参考訳（メタデータ） (2021-05-22T07:05:48Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)

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。