論文の概要: Matched Excess-Outranker Regularization for Candidate-Set Interference in Continual Knowledge Graph Embedding
- arxiv url: http://arxiv.org/abs/2608.24273v2
- Date: Wed, 26 Aug 2026 13:19:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.185928
- Title: Matched Excess-Outranker Regularization for Candidate-Set Interference in Continual Knowledge Graph Embedding
- Title（参考訳）: 連続的知識グラフ埋め込みにおける候補セット干渉に対する余剰値正規化
- Abstract要約: 候補セット干渉を候補セット干渉として定式化し、Matched Excess-Outranker Regularization(MEOR)を導入する。
MEORは、スムーズな解答相対的新参者圧力とスコアブラインド、構造的に一致した古い参照を比較する。
歴史的一様平均相反ランク(MRR)は再生時0.0057で改善され、候補セット干渉は0.0055で、一方の95%下限は0.0052と0.0051である。
- 参考スコア（独自算出の注目度）: 32.598018815734335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continual knowledge graph embedding updates entity and relation representations as a graph grows. Existing methods primarily address catastrophic forgetting, but entity admission also changes the candidate universe of every compatible query. A historical answer can therefore lose rank even when its score and its ordering among old entities are preserved. We formalize this effect as candidate-set interference and introduce Matched Excess-Outranker Regularization (MEOR), a host-level objective that compares smooth answer-relative newcomer pressure with score-blind, structurally matched old references. Its one-sided penalty acts only when newcomer competition exceeds the matched reference, preserving the host learner's signal for legitimate new entities. Across eight paired runs on ENTITY-ComplEx, MEOR improves historical current-universe mean reciprocal rank (MRR) by 0.0057 over replay and reduces candidate-set interference by 0.0055, with one-sided 95% lower bounds of 0.0052 and 0.0051, respectively. It satisfies the preservation criteria for old-universe ranking and newcomer acquisition and improves historical current-universe MRR over persistent calibration, matched maximum regularizer (MMR), and unmatched old regularizer (UOR). Direct ablations support each component of its reference construction and aggregation. Adding MEOR also improves historical ranking in all ten reported FBInc-S and FBInc-L host and backbone settings, with every paired 95% confidence interval excluding zero. These results establish candidate admission as a distinct source of continual rank loss and show that it can be controlled without replacing the underlying embedding architecture or continual learner.
- Abstract（参考訳）: 連続的な知識グラフの埋め込み エンティティと関係表現をグラフとして更新する。
既存の手法は主に破滅的な忘れに対処するが、エンティティの入力は、互換性のあるクエリの候補空間も変更する。
したがって、歴史的回答は、そのスコアと古いエンティティ間の順序が保存されている場合でも、ランクを失う可能性がある。
我々は、この効果を候補セットの干渉として形式化し、スムーズな応答-相対的ニューコマー圧力と、構造化された古い参照とを比較するホストレベルの目的であるMatched Excess-Outranker Regularization(MEOR)を導入する。
その一方的なペナルティは、新入生の競争が一致した基準を超えた場合にのみ作用し、ホストの学習者のシグナルを正当な新しいエンティティに保存する。
ENTITY-ComplEx上での8対のランで、MEORはリプレイ時にMRRを0.0057改善し、候補セットの干渉を0.0055に減らし、一方の95%下限は0.0052と0.0051である。
従来の一様格付けと新参者獲得の保存基準を満たし、永続キャリブレーション、マッチング最大正則化器(MMR)、未整合旧正則化器(UOR)よりも過去の一様格付けを改良する。
直接アブレーションは、その参照構成とアグリゲーションの各コンポーネントをサポートする。
MEORを追加することで、報告されている10のFBInc-SとFBInc-Lホストとバックボーン設定の履歴ランキングも改善される。
これらの結果は、連続的なランク損失の明確な源泉として候補受入を確立し、基礎となる埋め込みアーキテクチャや連続学習者を置き換えることなく制御可能であることを示す。
関連論文リスト
- Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。
3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-09-15T00:31:01Z) - Bilevel Coordinated Reflection: A Game-Theoretic Approach to Multi-Agent LLM Systems [40.47928908205563]
マルチエージェントLLMシステムは、一般的にオーケストレータを使用して、労働者のチームのためにタスクを分解し、テキストリフレクションによって改善する。
強い実証結果にもかかわらず、これらのシステムには調整、メモリ改善、外部検証の役割の統一的な説明が欠けている。
我々は,評価のための信頼ゲーティングと,断片的な静止環境に対する保証の再集計を行う。
実験では、これらのオブジェクトを環境条件付きメトリクスでインスタンス化し、予測調整法則とドリフト法則をテストする。
論文 参考訳（メタデータ） (2026-09-02T15:50:10Z) - CHASE: How Content Ecosystems Are Reshaped When Ranking Is the Only Target [1.5223740593989443]
本稿では,Ranking Signal Exploitation (CHASE)の下でのコンテンツ均質化について紹介する。
固定LDMランキング信号に対する繰り返し最適化が、コンテンツ人口とコンテンツクリエーターが直面するインセンティブの両方を再構成できることを示す。
論文 参考訳（メタデータ） (2026-08-31T08:53:56Z) - Counterfactual Bias Testing for Application Tracking System [1.007765066765576]
本稿では,タスク特化LDMエージェントを用いて,アイデンティティニュートラルベース履歴を合成し,人口統計学的治療を注入する。
それは、微調整された文埋め込みモデルとコサイン類似性を通じて、ジョブ記述に対する候補をランク付けする。
カウンターファクトアル(スコアデルタ、平均絶対ランク変更、フリップレート)、グループフェアネス(トップK保持、4/5/インパクト比)、メリットアウェア(リコール@K、nDCG@K、平等機会、等化オッズ)にまたがる9メトリックフェアネススイートを計算する。
論文 参考訳（メタデータ） (2026-08-27T10:01:36Z) - Benchmarking Recursive-Collapse Warning Claims Under Matched False-Positive Control [0.0]
再帰的なシステムは、過度な失敗が見える前に、崩壊のような状態に入ることができる。
障害が指向性テレメトリパターンに従うかどうかをテストするためのクレームバウンド型ベンチマークフレームワークであるLoopzeroを紹介した。
凍結した2つの公開アーティファクトベンチマークのブリッジを評価する。
論文 参考訳（メタデータ） (2026-05-29T20:12:42Z) - F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。
この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。
このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。
本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-13T04:52:33Z) - AdaPaD: Adaptive Parallel Deflation for PEFT with Self-Correcting Rank Discovery [10.176501817419371]
本稿では,AdaPaD(Adaptive Parallel Deflation)について述べる。
我々は、各成分の誤差がウォームアップ期間後に指数関数的に崩壊することを証明する。
AdaPaDは、GLUE上の適応ランクのLoRAベースラインとDeBERTaV3ベースとの整合パラメータ予算で競合する。
論文 参考訳（メタデータ） (2026-05-11T15:44:13Z) - UniRank: Unified List-wise Reranking via Confidence-Ordered Denoising [33.296591996616975]
リストの並べ替えは、リクエスト固有の候補項目のプールを、ユーザの満足度を最大化する順序付きスレートに配置する。
提案するUniRankは、ARとNARのリランカを特殊ケースとして復元する、リスト単位のリグレードフレームワークである。
Amazon Books、MovieLens-1M、および工業用ショートビデオデータセットの実験は、UniRankが一貫して最先端のベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2026-05-11T13:12:23Z) - FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。
レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。
我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
論文 参考訳（メタデータ） (2026-04-14T17:04:25Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - Post Hoc Regression Refinement via Pairwise Rankings [37.14333704508996]
RankRefineはモデルに依存しないプラグアンドプレイの手法で、ペアのランキングから得られる専門家の知識でレグレッションを洗練します。
分子特性予測タスクでは、RandRefineは平均絶対誤差を最大10%削減する。
論文 参考訳（メタデータ） (2025-08-22T16:17:31Z) - Gumbel Reranking: Differentiable End-to-End Reranker Optimization [61.16471123356738]
RAGシステムは関連する文書を識別するためにリランカーに依存している。
注釈付きクエリ-ドキュメントペアが不足しているため、これらのモデルの微調整は依然として難しい。
我々は,トレーニングと推論のギャップを最小限に抑えることを目的とした,リランカーのためのエンドツーエンドのトレーニングフレームワークであるGumbel Re rankを提案する。
論文 参考訳（メタデータ） (2025-02-16T13:23:39Z)
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。