論文の概要: Half a Link can Be Enough to Predict a Whole Link: Understanding Generalization in Knowledge Graph Foundation Models
- arxiv url: http://arxiv.org/abs/2606.18001v1
- Date: Tue, 16 Jun 2026 14:47:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.49394
- Title: Half a Link can Be Enough to Predict a Whole Link: Understanding Generalization in Knowledge Graph Foundation Models
- Title（参考訳）: リンクの半分は、全体リンクを予測するのに十分である:知識グラフ基礎モデルの一般化を理解する
- Authors: Cosimo Gregucci, Obaidah Theeb, Daniel Hernandez, Antonio Vergari, Steffen Staab,
- Abstract要約: 知識グラフ(KG)基礎モデル(KGFM)はゼロショット一般化器である。
半リンク(半リンク)と呼ぶ部分的なリンクに関して、未知のKGにおけるそれらのパフォーマンスが、どう一様でないかを示す。
これにより、これらのハーフリンクの組み合わせが観察されるか否かの4つのシナリオの分類が得られる。
- 参考スコア（独自算出の注目度）: 19.628252214252218
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Knowledge graph (KG) foundation models (KGFMs) are zero-shot generalizers: trained once, they can predict links on unseen graphs without retraining. However, understanding when and how they can robustly generalize across KGs is still an open question. In this paper, we shed some light on their generalization mechanisms highlighting how their performance on unseen KGs is not uniform when it comes to partially seen links, which we call half-links. In fact, we show that to predict a test triple $(h,r,t)$ it might suffice in practice to have observed the half-link $(h,r)$ or $(r,t)$ in the inference graph. This yields a taxonomy of four scenarios when combinations of these half-links are observed or not. In a rigorous stratified analysis over these scenarios, we reveal that SoTA KGFMs use seen half links for predictions, while unseen half-links pose different challenges. As such, our finer-grained taxonomy can be a diagnostic protocol for robust KGFM generalization and highlights where novel KGFMs can improve.
- Abstract（参考訳）: 知識グラフ基礎モデル(KGFMs)はゼロショット・ジェネラライザであり、一度訓練すれば、再学習せずに未知のグラフ上のリンクを予測することができる。
しかし、いつ、どのようにしてKGにまたがって強固に一般化できるかを理解することは、まだ未解決の問題である。
本稿では, 半リンクと呼ばれる部分的なリンクにおいて, 未知のKGが不均一であることを示す, 一般化機構について光を当てた。
実際、テストのトリプル $(h,r,t)$ を予測するには、推論グラフで半リンク $(h,r)$ または $(r,t)$ を観測すれば十分かもしれない。
これにより、これらのハーフリンクの組み合わせが観察されるか否かの4つのシナリオの分類が得られる。
これらのシナリオに対する厳密な階層化分析では、SoTA KGFMsは予測に半分のリンクを見ることができるが、見当たらないハーフリンクは異なる課題をもたらす。
このように、我々の細粒度分類は、堅牢なKGFM一般化のための診断プロトコルであり、新しいKGFMが向上する点を強調している。
関連論文リスト
- When Can Human-AI Teams Outperform Individuals? Tight Bounds with Impossibility Guarantees [13.891522069967507]
人間とAIのチームは研究の70%で最高のメンバを上回りませんが、相補性が達成可能な時期を示す理論はありません。
信号検出理論と情報理論解析を統合することにより,信頼度に基づく広範囲なアグリゲーションルールの厳密な境界を導出する。
論文 参考訳（メタデータ） (2026-05-09T05:46:11Z) - Harnessing Multiple Correlated Networks for Exact Community Recovery [6.092631511453874]
複数の相関ネットワークから潜在コミュニティ構造を学習する問題について検討する。
Gaudio、R'acz、Sridhar(COLT 2022)の最近の研究により、正確なコミュニティ回復のための正確な情報理論しきい値が決定された。
論文 参考訳（メタデータ） (2024-12-03T19:56:52Z) - Weisfeiler and Leman Go Measurement Modeling: Probing the Validity of the WL Test [58.1543112860658]
グラフ機械学習実践者の表現力概念化と$k$-WLとの相違を明らかにする。
ベンチマークに基づく表現力の拡張的定義と測定について論じる。
論文 参考訳（メタデータ） (2023-07-11T20:06:12Z) - Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。
最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
論文 参考訳（メタデータ） (2023-06-24T10:21:11Z) - Mitigating Relational Bias on Knowledge Graphs [51.346018842327865]
マルチホップバイアスを同時に緩和し,知識グラフにおけるエンティティとリレーションの近接情報を保存するフレームワークであるFair-KGNNを提案する。
ジェンダー占有とナショナリティ・サリーバイアスを軽減するために,2つの最先端KGNNモデル(RCCNとCompGCN)を組み込んだFair-KGNNの2例を開発した。
論文 参考訳（メタデータ） (2022-11-26T05:55:34Z) - Rethinking Knowledge Graph Evaluation Under the Open-World Assumption [65.20527611711697]
ほとんどの知識グラフ(KG)は不完全であり、知識グラフを自動補完する重要な研究トピックの動機となっている。
すべての未知の三つ子を偽として扱うことは、閉世界仮定(close-world assumption)と呼ばれる。
本稿では,KGCの評価を,より現実的な条件,すなわちオープンワールドの仮定の下で研究する。
論文 参考訳（メタデータ） (2022-09-19T09:01:29Z) - Disconnected Emerging Knowledge Graph Oriented Inductive Link Prediction [0.0]
我々はDECG-ILP(Disconnect Emerging Knowledge Graph Oriented Inductive Link Prediction)という新しいモデルを提案する。
CLRMは、元のKGとDECG間で共有されるグローバルな関係に基づく意味的特徴を抽出するために開発された。
モジュールGSMは、各リンク周辺の局所部分グラフトポロジ情報をKGで抽出するために提案される。
論文 参考訳（メタデータ） (2022-09-03T10:58:24Z) - Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF)
我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。
我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
論文 参考訳（メタデータ） (2022-05-28T15:37:03Z) - Seeded graph matching for the correlated Gaussian Wigner model via the projected power method [5.639451539396459]
グラフマッチングアルゴリズムとして,Emphprojected Power Method (PPM) の性能解析を行った。
PPM は定数 $sigma$ の反復でも機能し、(Mao et al. 2023) のスパース相関エルドス・レニー(CER) モデルに対する解析を (dense) CGW モデルに拡張する。
論文 参考訳（メタデータ） (2022-04-08T14:31:26Z) - Improving Inductive Link Prediction Using Hyper-Relational Facts [15.820005235333882]
グラフニューラルネットワークを用いた半帰納的および完全帰納的リンク予測タスクにおいて, ハイパーリレーショナルなKGを用いることの利点について検討する。
実験により, 入力エッジ上の等化器は, 絶対ゲインの6%の性能向上につながることが示された。
論文 参考訳（メタデータ） (2021-07-10T19:16:03Z)
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。