論文の概要: Conditional Diffusion Guided Knowledge Transfer for Multi-Domain Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2607.03154v1
• Date: Fri, 03 Jul 2026 09:51:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.534794
• Title: Conditional Diffusion Guided Knowledge Transfer for Multi-Domain Knowledge Graph Completion
• Title（参考訳）: マルチドメイン知識グラフ補完のための条件拡散誘導型知識伝達
• Abstract要約: マルチドメイン知識グラフ補完(MKGC)は、他のサポートKGからの知識を伝達することにより、ターゲットKGの3倍予測の欠如を改善することを目的としている。 既存の方法は通常、知識を伝達するためにKGにまたがる等価な実体に対する一貫性の制約を強制する。 この設計は、すべてのKGドメインからエンティティ表現情報を妥協することも可能であり、性能改善を妨げる。
• 参考スコア（独自算出の注目度）: 26.73458926767027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-domain knowledge graph completion (MKGC) aims to improve missing triple prediction in a target KG by transferring knowledge from other support KGs. Existing methods typically enforce consistency constraints on equivalent entities across KGs to transfer knowledge, which risks suppressing domain-specific contextual information of entities. This design can also compromise entity representation information from all KG domains, impeding performance improvements, especially in low-resource data scenarios. To address this, we pioneer a generation-based paradigm for MKGC and propose DMKGC, a conditional diffusion-guided knowledge transfer framework. Our key insight is to treat each KG as a partial view of the entity entire information, and generate informative domain-general entity embeddings through diffusion models conditioned on support KGs. Particularly, we first initialize domain-agnostic entity embeddings as prior entity embeddings, and then encode them within individual KGs. Afterward, we fuse equivalent entities from support KGs as the conditional diffusion generation guidance. We leverage the prior entity embeddings as the proxy generation objective, which ensures this conditional generation to be unbiased towards any conditioned KGs. Simultaneously, we also train the generated embeddings to be predictive across KGs, thus preserving domain-specific information. Extensive experiments on 14 KGs in 3 benchmarks demonstrate a 4.3\% average MRR improvement in tail entity prediction over state-of-the-art methods, with sustained gains in low-resource data settings.
• Abstract（参考訳）: マルチドメイン知識グラフ補完(MKGC)は、他のサポートKGからの知識を伝達することにより、ターゲットKGの3倍予測の欠如を改善することを目的としている。 既存の手法では、知識を伝達するためにKG間の等価なエンティティに一貫性の制約を課し、エンティティのドメイン固有のコンテキスト情報を抑制するリスクがある。 この設計は、特に低リソースのデータシナリオにおいて、すべてのKGドメインからエンティティ表現情報を妥協し、パフォーマンスを阻害する。 そこで我々は,MKGCの世代パラダイムを開拓し,条件付き拡散誘導型知識伝達フレームワークDMKGCを提案する。 我々のキーとなる洞察は、各KGをエンティティ全体の部分的なビューとして扱い、サポートKGに条件付き拡散モデルを通して情報的ドメイン汎用エンティティ埋め込みを生成することである。 特に、まずドメインに依存しないエンティティ埋め込みを先行エンティティ埋め込みとして初期化し、それから個々のKGにエンコードする。 その後、条件付き拡散生成誘導として、等価物質を支持KGから解き放つ。 我々は、任意の条件付きKGに対して、この条件付き生成がアンバイアスされることを保証するために、従来のエンティティ埋め込みをプロキシ生成の目的として活用する。 同時に、生成した埋め込みをKGにわたって予測するようにトレーニングし、ドメイン固有の情報を保存する。 3つのベンチマークにおける14個のKGの大規模な実験では、最先端の手法よりも平均4.3倍のMRRの改善が見られ、低リソースのデータ設定では改善が持続している。

関連論文リスト

• KGPFN: Unlocking the Potential of Knowledge Graph Foundation Model via In-Context Learning [51.44698654440413]
  知識グラフ(KG)基盤モデルは、伝達可能な関係構造を学習することによって、目に見えない実体と関係を持つグラフを一般化することを目的としている。 そこで我々は,KGPFNを提案する。KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN。 57KGベンチマークの実験では、KGPFNは、文脈内学習だけで、これまで見られなかったグラフに強く適応することを示した。
  論文  参考訳（メタデータ） (2026-05-14T14:41:19Z)
• Every Little Helps: Building Knowledge Graph Foundation Model with Fine-grained Transferable Multi-modal Tokens [60.15844119489298]
  マルチモーダル知識グラフ推論(MMKGR)は、グラフ構造情報とマルチモーダルエンティティコンテンツの両方を活用することで、欠落したリンクを予測することを目的としている。 本稿では,MMKGR のトークンベース基盤モデル (TOFU) を提案する。 17のトランスダクティブ, インダクティブ, フルインダクティブMMKGによる実験結果から, TOFUは強いKGFM, MMKGRベースラインより一貫して優れていた。
  論文  参考訳（メタデータ） (2026-02-11T13:32:09Z)
• KG-Infused RAG: Augmenting Corpus-Based RAG with External Knowledge Graphs [58.12674907593879]
  KG-Infused RAGは、既存の大規模知識グラフをRAGに組み込むフレームワークである。 KG-Infused RAGは、関連する構造化知識を取得するために、外部KG上での拡散活性化を直接実行する。 実験の結果、KG-Infused RAGはバニラRAGより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-06-11T09:20:02Z)
• KG-FIT: Knowledge Graph Fine-Tuning Upon Open-World Knowledge [63.19837262782962]
  知識グラフ埋め込み(KGE)技術は、知識グラフ内の実体と関係のコンパクトな表現を学習するために重要である。 本研究では、エンティティクラスタのセマンティックコヒーレントな階層構造を構築するKG-FITを紹介する。 ベンチマークデータセットFB15K-237、YAGO3-10、PrimeKGの実験は、最先端の訓練済み言語モデルに基づく手法よりもKG-FITの方が優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-26T03:04:26Z)
• FedMKGC: Privacy-Preserving Federated Multilingual Knowledge Graph Completion [21.4302940596294]
  知識グラフ補完(KGC)は、知識グラフ(KG)の欠落事実を予測することを目的とする。 KG間で生データを転送することに依存する従来の方法は、プライバシー上の懸念を提起している。 我々は、生データ交換やエンティティアライメントを必要とせずに、複数のKGから暗黙的に知識を集約する新しい連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-17T08:09:27Z)
• Collective Knowledge Graph Completion with Mutual Knowledge Distillation [11.922522192224145]
  我々は,異なるKGからの集合的知識の最大化に焦点をあてるマルチKG完備化の問題について検討する。 CKGC-CKDと呼ばれる,個々のKGと大きな融合KGの両方で,関係対応グラフ畳み込みネットワークエンコーダモデルを用いる新しい手法を提案する。 複数言語データセットによる実験結果から,本手法はKGCタスクにおけるすべての最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-25T09:49:40Z)
• MEKER: Memory Efficient Knowledge Embedding Representation for Link Prediction and Question Answering [65.62309538202771]
  知識グラフ(KG)は、事実を象徴的に構造化した記憶装置である。 KG埋め込みには、実世界の暗黙的な情報を必要とするNLPタスクで使用される簡潔なデータが含まれている。 リンク予測タスクとKGに基づく質問応答においてSOTAに比較可能な性能をもたらすメモリ効率のよいKG埋め込みモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:47:03Z)
• Link-Intensive Alignment for Incomplete Knowledge Graphs [28.213397255810936]
  本研究では,不完全KGと表現学習の整合性の問題に対処する。 我々のフレームワークは、推移性に基づく2つの特徴チャネルと近接性に基づく2つの特徴チャネルを利用する。 2つの特徴チャネルは、入力KG間で重要な特徴を交換するために共同で学習される。 また,学習過程中に欠落したリンクを検出し,回復するリンク検出装置も開発した。
  論文  参考訳（メタデータ） (2021-12-17T00:41:28Z)
• FedE: Embedding Knowledge Graphs in Federated Setting [21.022513922373207]
  マルチソースKGは、実際の知識グラフアプリケーションでは一般的な状況である。 データプライバシと感度のため、関連する知識グラフのセットは、異なる知識グラフからデータを集めるだけで、お互いのKGCを補完することはできない。 我々は,局所的な更新を集約して知識グラフの埋め込みを学習することに焦点を当てた,知識グラフ埋め込みフレームワークであるフェデレーション(Federated Knowledge Graph Embedding)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T11:52:05Z)
• Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
  コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。 本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。 InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-09-19T16:10:26Z)
• Relational Learning Analysis of Social Politics using Knowledge Graph Embedding [11.978556412301975]
  本稿では,新しい信頼性ドメインベースのKG埋め込みフレームワークを提案する。 ヘテロジニアスリソースから得られたデータの融合を、ドメインによって表現された正式なKG表現にキャプチャする。 このフレームワークは、データ品質と信頼性を保証するための信頼性モジュールも具体化している。
  論文  参考訳（メタデータ） (2020-06-02T14:10:28Z)

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。