論文の概要: Neural Regression with Embeddings for Numerical Attribute Prediction in Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2608.26729v2
• Date: Fri, 28 Aug 2026 09:03:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 15:11:36.093674
• Title: Neural Regression with Embeddings for Numerical Attribute Prediction in Knowledge Graphs
• Title（参考訳）: 埋め込みを用いた知識グラフの数値属性予測のためのニューラル回帰
• Abstract要約: 本稿では,知識グラフ内における数値特性の予測にトランスダクティブな知識グラフ埋め込みモデルを実現するニューラルネットワーク回帰モデル(LitEm)を提案する。 実験の結果, FB15K-237, YAGO15K, DB15K, Mutagenesisのほとんどの属性において, LitEmが最良または第2のベクターとなることが明らかとなった。
• 参考スコア（独自算出の注目度）: 8.284558878625838
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, transductive knowledge graph embedding models have been applied to tasks such as link prediction and query answering. Although knowledge graphs often contain rich numerical attributes, most embedding models neglect them, limiting their ability to represent real-world knowledge graphs with diverse information. In this work, we propose a neural regression model (LitEm) that enables transductive knowledge graph embedding models to predict numerical attributes within knowledge graphs. Experimental results demonstrate that LitEm achieves the best or second-best results on most attributes across FB15K-237, YAGO15K, DB15K, and Mutagenesis. Furthermore, we propose a co-training framework that jointly trains state-of-the-art transductive knowledge graph embedding models with LitEm, which improves link prediction performance mainly for bilinear models and simultaneously enables them to predict numerical attributes. In addition, the literal-awareness evaluation demonstrates that co-training helps models to encode and exploit attribute information in a "literal-aware'' manner, suggesting that the observed gains are not merely due to additional parameters. We publicly release our implementation at https://github.com/dice-group/dice-embeddings.
• Abstract（参考訳）: 近年,リンク予測やクエリ応答といったタスクにトランスダクティブな知識グラフ埋め込みモデルが適用されている。 知識グラフは豊富な数値属性を含むことが多いが、ほとんどの埋め込みモデルはそれらを無視し、多様な情報を持つ現実世界の知識グラフを表現する能力を制限する。 本研究では,知識グラフ内における数値特性の予測にトランスダクティブな知識グラフ埋め込みモデルを実現するニューラルネットワーク回帰モデル(LitEm)を提案する。 実験の結果, FB15K-237, YAGO15K, DB15K, Mutagenesisのほとんどの属性において, LitEmが最良または第2のベクターとなることが明らかとなった。 さらに,両線形モデルを中心にリンク予測性能を改善し,同時に数値特性の予測を可能にする,最先端の知識グラフ埋め込みモデルとLitEmを併用した協調学習フレームワークを提案する。 さらに、リテラル・アウェアネス評価は、共学習が属性情報を「リテラル・アウェア」な方法でエンコードし活用するのに役立ち、観察されたゲインが単に追加パラメータによるものではないことを示唆している。 実装はhttps://github.com/dice-group/dice-embeddings.comで公開しています。

関連論文リスト

• Model Graph Inductive Learning for Knowledge Graph Completion [0.0]
  知識グラフにおけるリンク予測は、エンティティと関係性の学習された埋め込みの品質に依存する。 モデルグラフ帰納学習(bftextMGIL)は,クラスタリングエンティティによってモデルグラフを構築するフレームワークである。 次に、GNNをモデルグラフに適用して、知識グラフのグローバルなビューをキャプチャする埋め込みを生成する。
  論文  参考訳（メタデータ） (2026-06-15T10:13:27Z)
• Knowledge Graph Enhanced Generative Multi-modal Models for Class-Incremental Learning [51.0864247376786]
  学習過程を通じて進化する知識グラフを構築する知識グラフ強化多モードモデル(KG-GMM)を導入する。 テスト中,生成されたテキスト内の関係を解析し,特定のカテゴリを特定する知識グラフ拡張推論手法を提案する。
  論文  参考訳（メタデータ） (2025-03-24T07:20:43Z)
• From Latent to Lucid: Transforming Knowledge Graph Embeddings into Interpretable Structures with KGEPrisma [4.2427000279700025]
  本稿では,知識グラフ埋め込み(KGE)モデルに適した,ポストホックでローカルな説明可能なAI手法を提案する。 提案手法は,KGEモデルによって符号化された潜在表現を直接デコードし,埋め込みの滑らかさを活用する。 シンボリック構造を三重項の形で同定することにより,これらの知見を人間に理解可能なシンボリック・ルールや事実に変換する。
  論文  参考訳（メタデータ） (2024-06-03T19:54:11Z)
• IRT2: Inductive Linking and Ranking in Knowledge Graphs of Varying Scale [1.3621712165154805]
  産業用ユースケースのためのドメイン固有の知識モデルを構築するという課題に対処する。 我々の焦点は、実用的なツールの基礎となる帰納的リンク予測モデルである。
  論文  参考訳（メタデータ） (2023-01-02T15:19:21Z)
• Distilling Knowledge from Self-Supervised Teacher by Embedding Graph Alignment [52.704331909850026]
  我々は、自己指導型事前学習モデルから他の学生ネットワークへ知識を伝達するための新しい知識蒸留フレームワークを定式化した。 自己教師型学習におけるインスタンス識別の精神に触発され,特徴埋め込み空間におけるグラフ定式化によるインスタンスとインスタンスの関係をモデル化する。 蒸留方式は, 学生ネットワーク上での表現学習を促進するために, 自己指導型知識の伝達に柔軟に適用できる。
  論文  参考訳（メタデータ） (2022-11-23T19:27:48Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Learning Representations of Entities and Relations [0.0]
  この論文は,リンク予測タスクに取り組むことを目的とした知識グラフ表現の改善に焦点を当てている。 最初のコントリビューションはHypERであり、リンク予測性能を単純化し改善する畳み込みモデルである。 第2のコントリビューションは比較的単純な線形モデルであるTuckERで、このモデルが導入された時点では、最先端のリンク予測性能が得られた。 第3の貢献は、双曲空間に埋め込まれた最初のマルチリレーショナルグラフ表現モデルである MuRP である。
  論文  参考訳（メタデータ） (2022-01-31T09:24:43Z)
• Prediction of Adverse Biological Effects of Chemicals Using Knowledge Graph Embeddings [5.1168938454615205]
  知識グラフ埋め込みを用いることで,ニューラルネットワークによる効果予測の精度が向上することを示す。 我々は,知識グラフ埋め込みモデルの特定の特性を評価し,個々のモデルの性能に光を当てる。
  論文  参考訳（メタデータ） (2021-12-08T22:19:16Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Tucker decomposition-based Temporal Knowledge Graph Completion [35.56360622521721]
  次数4テンソルのタッカー分解にインスパイアされた時間知識グラフ補完のための新しいテンソル分解モデルを構築する。 提案モデルは完全に表現力のあるモデルであることが実証され、いくつかの公開ベンチマークに対して最先端の結果が報告される。
  論文  参考訳（メタデータ） (2020-11-16T07:05:52Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。