論文の概要: PEARL: Path-Entity Aligned Relational Learning with Contextual Subgraphs for Inductive Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2609.02216v1
• Date: Wed, 02 Sep 2026 07:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.134224
• Title: PEARL: Path-Entity Aligned Relational Learning with Contextual Subgraphs for Inductive Knowledge Graph Completion
• Title（参考訳）: PEARL:帰納的知識グラフ補完のための文脈部分グラフを用いたパスエンティティ指向関係学習
• Abstract要約: 本稿では,学習中に見つからないエンティティを含むリンクの欠落を予測するために,パスアラインド・アラインド・ラーニング・フレームワークを提案する。 PEARLは、クエリエンティティの近傍の結合から、クエリ固有のコンテキストサブグラフを構築する。 その後、パス、コンテキストエンティティ、グローバルサブグラフ表現にバイパーティイトな相互作用グラフを構築する。
• 参考スコア（独自算出の注目度）: 3.118160022536346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inductive knowledge graph completion (IKGC) aims to predict missing links involving entities unseen during training, requiring models to learn transferable relational and structural patterns. Existing subgraph- and path-based approaches often encode relational paths independently of their surrounding query subgraphs, although the predictive relevance of a path may vary across structural contexts. We propose PEARL, a Path-Entity Aligned Relational Learning framework that models paths as context-conditioned reasoning signals. PEARL constructs a query-specific contextual subgraph from the union of the query entities' neighborhoods and uses a large language model (LLM)-guided retriever to distill semantically relevant paths. It then builds a bipartite interaction graph over paths, contextual entities, and a global subgraph representation, allowing path embeddings to adapt to local and global structural evidence. To suppress noise introduced by the enlarged context, PEARL employs a dual-view contrastive objective that promotes representation consistency under stochastic contextual perturbations. Experiments on WN18RR, FB15k-237, and NELL-995 show that PEARL obtains the best average Hits@10 among the compared IKGC methods on all three benchmarks. Ablation studies, efficiency analyses, and case studies further validate the contributions of contextual subgraph modeling, semantic path retrieval, path-entity interaction, and contrastive regularization.
• Abstract（参考訳）: 帰納的知識グラフ補完(IKGC)は、トレーニング中に見つからないエンティティを含む欠落したリンクを予測することを目的としており、モデルが伝達可能なリレーショナルおよび構造パターンを学習する必要がある。 既存のサブグラフとパスベースのアプローチは、しばしば周囲のクエリサブグラフとは独立してリレーショナルパスを符号化するが、パスの予測的関連性は構造的コンテキストによって異なる可能性がある。 本稿では,パスを文脈条件付き推論信号としてモデル化するPEARLを提案する。 PEARLは、クエリエンティティの近傍の結合からクエリ固有のコンテキストサブグラフを構築し、大言語モデル(LLM)誘導レトリバーを使用して意味論的に関連するパスを蒸留する。 その後、パス、コンテキストエンティティ、グローバルなサブグラフ表現の上に二部相互作用グラフを構築し、パス埋め込みが局所的およびグローバルな構造的証拠に適応できるようにする。 拡張コンテキストがもたらす雑音を抑制するために、PEARLは、確率的文脈摂動下での表現整合性を促進する二重視点のコントラッシブな目的を用いる。 WN18RR、FB15k-237、NELL-995の実験により、PEARLは3つのベンチマークで比較されたIKGC法の中で、最も平均的なHits@10を得ることが示された。 アブレーション研究、効率分析、ケーススタディは、文脈サブグラフモデリング、意味パス検索、パス-エンタリティ相互作用、コントラスト正規化の貢献をさらに検証する。

関連論文リスト

• Bridging Graph Structure and Knowledge-Guided Editing for Interpretable Temporal Knowledge Graph Reasoning [41.47899305706817]
  時間的知識グラフ推論は、行方不明なエンティティを動的知識構造で推論することで、将来の事象を予測することを目的としている。 既存のLLMベースの推論手法は、動的グラフから関連する部分グラフを抽出するのに苦労して、構造的関係よりも文脈的を優先する。 グラフニューラルネットワーク(GNN)の構造的時間モデリング機能とLLMの文脈的理解を組み合わせたハイブリッド推論フレームワークIGETRを提案する。
  論文  参考訳（メタデータ） (2026-01-29T16:55:13Z)
• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• DAMR: Efficient and Adaptive Context-Aware Knowledge Graph Question Answering with LLM-Guided MCTS [28.828541350757714]
  本稿では,知識グラフ質問応答(KGQA)のための動的適応MCTSベースの推論(DAMR)を提案する。 DAMRは、MCTS(Monte Carlo Tree Search)と適応経路評価を統合し、コンテキスト対応のKGQAを実現する。 複数のKGQAベンチマークの実験では、DAMRはSOTA法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-01T15:38:21Z)
• Soft Reasoning Paths for Knowledge Graph Completion [41.04734533217766]
  推論パスは知識グラフ補完(KGC)における信頼できる情報である 現実のアプリケーションでは、計算に手頃なパスが全ての候補エンティティに対して存在することを保証することは困難である。 そこで本研究では,提案アルゴリズムを不備な経路状況に対してより安定にするために,ソフト推論パスを導入する。
  論文  参考訳（メタデータ） (2025-05-06T08:12:48Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• Talking to GDELT Through Knowledge Graphs [0.6153162958674417]
  本研究では,各アプローチの強みと弱みを質問応答解析で把握するために,様々なRAG(Retrieval Augmented Regeneration)アプローチについて検討する。 テキストコーパスから情報を取得するために,従来のベクトルストアRAGと,最先端の大規模言語モデル(LLM)に基づくアプローチを実装した。
  論文  参考訳（メタデータ） (2025-03-10T17:48:10Z)
• Path-of-Thoughts: Extracting and Following Paths for Robust Relational Reasoning with Large Language Models [62.12031550252253]
  本稿では,関係推論に対処するための新しいフレームワークであるPath-of-Thoughts(PoT)を提案する。 PoTは、問題コンテキスト内の重要なエンティティ、関係、属性を識別するタスクに依存しないグラフを効率的に抽出する。 PoTは、提案された質問に対応するグラフ内の関連する推論連鎖を特定し、潜在的な答えの推論を容易にする。
  論文  参考訳（メタデータ） (2024-12-23T20:27:12Z)
• Prompt-based Logical Semantics Enhancement for Implicit Discourse Relation Recognition [4.7938839332508945]
  Inlicit Discourse Relation Recognition (IDRR) のための Prompt-based Logical Semantics Enhancement (PLSE) 法を提案する。 提案手法は,事前学習した言語モデルに対する対話関係に関する知識を,素早い接続予測によってシームレスに注入する。 PDTB 2.0 と CoNLL16 データセットによる実験結果から,本手法は現状の最先端モデルに対して優れた一貫した性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-11-01T08:38:08Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Entity Alignment with Reliable Path Reasoning and Relation-Aware Heterogeneous Graph Transformer [5.960613525368867]
  本稿では,関係と経路構造情報を統合したより効果的なエンティティアライメントフレームワークRPR-RHGTを提案する。 知識グラフの関係構造からEAタスクに適した経路を生成するために,初期信頼経路推論アルゴリズムを開発した。 実体近傍における異種特徴を効率的に捉えるために、関係性を考慮した異種グラフ変換器を設計する。
  論文  参考訳（メタデータ） (2022-05-18T09:12:37Z)
• Joint Semantics and Data-Driven Path Representation for Knowledge Graph Inference [60.048447849653876]
  我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。 提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
  論文  参考訳（メタデータ） (2020-10-06T10:24:45Z)
• Bidirectional Graph Reasoning Network for Panoptic Segmentation [126.06251745669107]
  本稿では,BGRNet(Bidirectional Graph Reasoning Network)を導入し,前景物と背景物間のモジュラー内およびモジュラー間関係について検討する。 BGRNetはまず、インスタンスとセマンティックセグメンテーションの両方でイメージ固有のグラフを構築し、提案レベルとクラスレベルで柔軟な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-14T02:32:10Z)

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。