論文の概要: InductWave: Inductive Multi-Hop Logical Query Answering on Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2607.07422v1
- Date: Wed, 08 Jul 2026 13:49:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.399084
- Title: InductWave: Inductive Multi-Hop Logical Query Answering on Knowledge Graphs
- Title（参考訳）: InductWave:知識グラフに基づくインダクティブマルチホップ論理クエリ
- Abstract要約: InductWaveは、大きな知識グラフ上の論理的クエリ応答のためのウェーブレットベースのインダクティブ埋め込み手法である。
我々のモデルは、メッセージパッシングレイヤーの半数を保有しながら、ベースラインモデルと同等に動作します。
ほとんどの場合、75%のレイヤでパフォーマンスが向上します。
- 参考スコア（独自算出の注目度）: 24.979566889505705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Logical Multi-Hop Query Answering over Knowledge Graphs (KGs) can be formulated as querying, with an implicit completeness assumption. Current works mainly focus on Existential First Order Logic (EFO) queries. These EFO queries contain conjunction, disjunction, and negation operators. Most existing works employ transductive reasoning, meaning they are not capable of reasoning over entities unseen during training. In the real world, there is a resource scarcity, and we cannot train a model with all the nodes of a large KG. Hence, we propose InductWave, a wavelet-based inductive embedding method for logical query answering on large KGs. Here, the training graph consists of fewer nodes than the test graph. Our model performs on par with the baseline models while having half the number of message-passing layers. It outperforms all of them in most cases, with 75% of the layers. These fewer resource requirements enable us to evaluate InductWave on massive graphs, such as Wiki-KG. We test our model using extensive experiments across varying train-test graph proportions of the FB15k-(237) dataset, comparing it with the state-of-the-art models. The code and datasets for the model are available at https://github.com/kracr/inductwave/.
- Abstract（参考訳）: Logical Multi-Hop Query Answering over Knowledge Graphs (KGs) はクエリとして、暗黙の完全性仮定で定式化することができる。
現在の作業は主に、Existential First Order Logic (EFO)クエリに焦点を当てている。
これらのEFOクエリは、接続演算子、解離演算子、否定演算子を含む。
既存の作品の多くはトランスダクティブ推論(transductive reasoning)を採用しており、訓練中に見つからない物体を推論することができない。
実世界では、リソース不足があり、大きなKGのすべてのノードでモデルをトレーニングすることはできない。
そこで我々は,大規模なKG上での論理的クエリ応答のためのウェーブレットに基づく帰納的埋め込み手法であるInductWaveを提案する。
ここでは、トレーニンググラフはテストグラフよりも少ないノードで構成される。
我々のモデルは、メッセージパッシングレイヤーの半数を保有しながら、ベースラインモデルと同等に動作します。
ほとんどの場合、75%のレイヤでパフォーマンスが向上します。
このようなリソース要件が少ないため、Wiki-KGのような巨大なグラフ上でInductWaveを評価することができます。
我々は,FB15k-(237)データセットの列車-テストグラフ比の幅の広い実験を行い,最先端のモデルと比較した。
モデルのコードとデータセットはhttps://github.com/kracr/inductwave/.com/で公開されている。
関連論文リスト
- Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ
これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。
既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。
我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
論文 参考訳（メタデータ） (2025-09-25T06:48:52Z) - Look Globally and Reason: Two-stage Path Reasoning over Sparse Knowledge Graphs [70.8150181683017]
スパース知識グラフ(英: Sparse Knowledge Graphs、KG)は、より人口密度の高いKGに比べて、(ヘッドエンティティ、リレーショナル、テールエンティティ)の形での事実が少ない。
スパースKGに対してLoGRe(Look Globally and Reason)と呼ばれる2段階経路推論モデルを提案する。
論文 参考訳（メタデータ） (2024-07-26T07:10:27Z) - A Foundation Model for Zero-shot Logical Query Reasoning [20.652279854090846]
知識グラフ(KG)における複雑な論理的問合せ応答(CLQA)は、単純なKG完備化を超えている。
提案するUltraQueryは,任意のKG上で論理的クエリをゼロショットで応答可能な,帰納的推論のための最初の基礎モデルである。
論文 参考訳（メタデータ） (2024-04-10T17:56:07Z) - ReasoningLM: Enabling Structural Subgraph Reasoning in Pre-trained
Language Models for Question Answering over Knowledge Graph [142.42275983201978]
本稿では,構造化推論を行うためのGNNを模倣するサブグラフ認識型自己認識機構を提案する。
また、モデルパラメータを2万のサブグラフで合成した質問に適応するための適応チューニング戦略も採用する。
実験により、ReasoningLMは、更新されたパラメータが少なく、トレーニングデータが少ない場合でも、最先端のモデルを大きなマージンで上回っていることが示された。
論文 参考訳（メタデータ） (2023-12-30T07:18:54Z) - Neural Graph Reasoning: Complex Logical Query Answering Meets Graph
Databases [63.96793270418793]
複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。
ニューラルグラフデータベース(NGDB)の概念を紹介する。
NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
論文 参考訳（メタデータ） (2023-03-26T04:03:37Z) - Probing Graph Representations [77.7361299039905]
グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。
本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。
グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
論文 参考訳（メタデータ） (2023-03-07T14:58:18Z) - 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) - Inductive Logical Query Answering in Knowledge Graphs [30.220508024471595]
本研究では、新しいエンティティを含むグラフ上で推論を行う帰納的クエリ応答タスクについて検討する。
グラフニューラルネットワーク(GNN)を用いた帰納的ノードと関係構造表現の2つのメカニズムを考案する。
実験により、帰納的モデルは、学習ノードよりも最大500%大きいグラフに一般化した未確認ノードに対して、推論時間で論理的推論を行うことができることを示した。
論文 参考訳（メタデータ） (2022-10-13T03:53:34Z) - Neural Methods for Logical Reasoning Over Knowledge Graphs [14.941769519278745]
知識グラフ(KGs)上でのマルチホップ論理的クエリの応答に焦点をあてる。
これまでのほとんどの作業では、FOL(First-Order Logical)クエリを完全に受け入れるモデルを作成することができなかった。
本稿では,ニューラルネットワークを用いて一点ベクトル埋め込みを生成し,問合せに答えるモデルを提案する。
論文 参考訳（メタデータ） (2022-09-28T23:10:09Z) - Neural-Symbolic Models for Logical Queries on Knowledge Graphs [17.290758383645567]
両世界の利点を享受するニューラルシンボリックモデルであるグラフニューラルネットワーククエリ実行器(GNN-QE)を提案する。
GNN-QEは複雑なFOLクエリを、ファジィ集合上の関係投影と論理演算に分解する。
3つのデータセットの実験により、GNN-QEはFOLクエリに応答する以前の最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2022-05-16T18:39:04Z)
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。