論文の概要: RelBall: Relation Ball with Quaternion Rotation for Knowledge Graph Completion
- arxiv url: http://arxiv.org/abs/2606.27967v1
- Date: Fri, 26 Jun 2026 11:15:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.473334
- Title: RelBall: Relation Ball with Quaternion Rotation for Knowledge Graph Completion
- Title（参考訳）: RelBall:知識グラフ補完のための四次回転を持つリレーショナルボール
- Abstract要約: 実世界の知識グラフは、しばしば不完全であり、多くの有効な事実を欠いている。知識グラフ補完は、既知のトリプルを使用して欠落リンクを予測することを目的としている。
鍵となる課題は、対称性、反対称性、反転、構成、意味的階層のような多様な関係パターンをモデル化することである。
本稿では,Rotate3Dを拡張したRelBallを提案する。
- 参考スコア（独自算出の注目度）: 6.291655897444824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world knowledge graphs are often incomplete, lacking many valid facts. Knowledge Graph Completion (KGC) aims to predict missing links using known triples, thereby enhancing graph coverage. A key challenge is modeling diverse relational patterns such as symmetry, antisymmetry, inversion, composition and semantic hierarchy. Existing models such as RotatE can capture symmetric, antisymmetric, inverse, and commutative composition patterns, yet struggle with non-commutative composition. Rotate3D addresses this by introducing non-commutativity via three-dimensional rotations, but still fails to capture the semantic hierarchies prevalent in knowledge graphs. Moreover, both models cannot effectively model one-to-many relations. To overcome these limitations, we propose RelBall, which extends Rotate3D with two innovations. First, our model introduces modulus transformation to model hierarchies, driving abstract concepts toward smaller moduli and concrete instances toward larger ones. Second, it introduces a tail-centric relation ball to model one-to-one, one-to-many, many-to-one, and many-to-many relations. RelBall offers the following advantages: (1) coverage of all relational patterns, including the ones mentioned above; (2) an interpretable hierarchical representation where the modulus directly reflect semantic levels; (3) support for one-to-one, one-to-many, many-to-one, and many-to-many relations. Experiments on multiple datasets demonstrate RelBall's competitive link prediction performance against various baselines.
- Abstract（参考訳）: 実世界の知識グラフは、しばしば不完全であり、多くの有効な事実を欠いている。
知識グラフ補完(KGC)は、既知のトリプルを使用して欠落リンクを予測し、グラフカバレッジを向上させることを目的としている。
鍵となる課題は、対称性、反対称性、反転、構成、セマンティック階層のような多様な関係パターンをモデル化することである。
RotatEのような既存のモデルでは、対称、反対称、逆、可換な構成パターンを捉えることができるが、非可換な構成パターンに苦慮する。
Rotate3Dは3次元回転を通して非可換性を導入することでこの問題に対処するが、知識グラフでよく見られる意味的階層を捉えることに失敗する。
さらに、どちらのモデルも一対一の関係を効果的にモデル化することはできない。
これらの制限を克服するために,Rotate3Dを拡張したRelBallを提案する。
まず,モデル階層へのモジュラー変換を導入し,抽象概念をより小さなモジュラーや具体例へと推し進める。
第二に、一対一、一対一、多対一、多対多の関係をモデル化するための尾中心の関係球を導入する。
RelBall は,(1) 上記のものを含むすべての関係パターンのカバレッジ,(2) モジュールが意味的レベルを直接反映する解釈可能な階層表現,(3) ワン・ツー・ワン・ツー・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・マン・関係のサポート,という2つの利点がある。
複数のデータセットの実験では、さまざまなベースラインに対するRelBallの競合リンク予測性能が示されている。
関連論文リスト
- SGR3 Model: Scene Graph Retrieval-Reasoning Model in 3D [51.32219731589742]
3Dシーングラフは、オブジェクトエンティティとその関連性の構造化された表現を提供する。
3次元シーングラフ生成のための既存のアプローチは、通常、シーン再構成とグラフニューラルネットワーク(GNN)を組み合わせる。
本研究では,3次元のSGR3モデルを用いたScene Graph Retrieval-Reasoning Modelを提案する。
論文 参考訳（メタデータ） (2026-03-04T21:19:54Z) - Why Can't Transformers Learn Multiplication? Reverse-Engineering Reveals Long-Range Dependency Pitfalls [54.57326125204404]
言語モデルはますます能力が高くなっているが、多桁乗算という一見単純なタスクではまだ失敗している。
直観的連鎖を通して乗法をうまく学習するモデルをリバースエンジニアリングすることでなぜ研究する。
論文 参考訳（メタデータ） (2025-09-30T19:03:26Z) - Distance-Adaptive Quaternion Knowledge Graph Embedding with Bidirectional Rotation [12.69417276887153]
四元数には1つの実部と3つの虚部が含まれており、知識グラフを学習するためのより表現豊かな超複素空間を提供する。
既存の四元数埋め込みモデルは、意味的マッチングまたは幾何距離スコアリング関数を通して三重項の妥当性を測定する。
そこで本研究では,意味マッチングと実体の幾何学的距離を組み合わせた四元数知識グラフ埋め込みモデルを提案する。
論文 参考訳（メタデータ） (2024-12-05T11:17:03Z) - SpherE: Expressive and Interpretable Knowledge Graph Embedding for Set Retrieval [40.250677256048576]
集合検索は多対多関係の表現的モデリングに大きく依存していることを示す。
この問題に対処する新しいKG埋め込みモデルSpherEを提案する。
我々のSpherEは、一対多、多対一、多対多の関係をより表現的にモデル化することができる。
論文 参考訳（メタデータ） (2024-04-29T22:21:24Z) - Joint Entity and Relation Extraction with Span Pruning and Hypergraph
Neural Networks [58.43972540643903]
PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。
エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。
EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-10-26T08:36:39Z) - Link Prediction with Attention Applied on Multiple Knowledge Graph
Embedding Models [7.620967781722715]
知識グラフは、地図ノードをベクトル空間に埋め込み、新しいリンクを予測する。
すべてのパターンを平等に学習できるモデルはありません。
本稿では,複数のモデルからのクエリ表現を統一的に組み合わせ,各モデルによって独立にキャプチャされたパターンを組み込む。
論文 参考訳（メタデータ） (2023-02-13T10:07:26Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach [59.89749342550104]
本稿では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。
既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。
テーブル充填手法に着想を得た立方体充填モデルであるCubeREを提案する。
論文 参考訳（メタデータ） (2022-11-18T03:51:28Z) - Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic
Cones [64.75766944882389]
知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。
特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。
我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
論文 参考訳（メタデータ） (2021-10-28T07:16:08Z) - QuatDE: Dynamic Quaternion Embedding for Knowledge Graph Completion [4.837804582368272]
我々は,様々な関係パターンを明示的に捉えるための動的マッピング戦略を備えた新しいモデルQuatDEを提案する。
実験結果から,QuatDEは3つの確立された知識グラフ補完ベンチマークで最先端の性能を達成できた。
論文 参考訳（メタデータ） (2021-05-19T09:10:39Z) - LineaRE: Simple but Powerful Knowledge Graph Embedding for Link
Prediction [7.0294164380111015]
本研究では,4つの接続パターンと4つのマッピング特性をモデル化可能な新しい埋め込みモデルLineaREを提案する。
複数の実世界のデータセットに対する実験結果から、提案したLineaREモデルは、リンク予測タスクのための既存の最先端モデルよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2020-04-21T14:19:43Z)
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。