論文の概要: Spectral Initialization and Scheduled Graph Smoothness for Uncertain Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2609.02519v1
• Date: Wed, 02 Sep 2026 12:25:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.331005
• Title: Spectral Initialization and Scheduled Graph Smoothness for Uncertain Knowledge Graph Completion
• Title（参考訳）: 不確実な知識グラフ補完のためのスペクトル初期化とスケジューリンググラフ平滑化
• Abstract要約: 未知の知識グラフ(UKG)は、各トリプルに連続的な信頼スコアを割り当てることで知識グラフを拡張する。 近年の手法は擬似ラベルを生成するための半教師付き学習に依存している。 トレーニング可能なパラメータを標準信頼分散学習パイプラインに追加しないQUESTを導入する。
• 参考スコア（独自算出の注目度）: 10.404026336171787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertain knowledge graphs (UKGs) extend knowledge graphs by assigning each triple a continuous confidence score. Since most possible triples lack observed confidences, recent methods rely on semi-supervised learning to generate pseudo-labels. These methods initialize entity embeddings without using the confidence-weighted graph, discarding its global community and hub structure. We introduce QUEST, which adds no trainable parameters to the standard confidence-distribution learning pipeline. First, QUEST initializes entity embeddings using the smallest non-trivial eigenvectors of the confidence-weighted graph Laplacian, incorporating community and hub structure before training. Second, QUEST applies an unbiased mini-batch Dirichlet energy regularizer to enforce early-stage structural consistency. On two UKG datasets, QUEST improves confidence prediction and link prediction on six of eight metric-dataset pairs over prior methods and matches the previous best on the remaining two, while removing the instability spike observed on dense graphs. These results indicate that spectral structural priors combined with a graph Dirichlet energy regularizer improve accuracy, training stability, and checkpoint reliability in UKG completion.
• Abstract（参考訳）: 未知の知識グラフ(UKG)は、各トリプルに連続的な信頼スコアを割り当てることで知識グラフを拡張する。 最も可能性の高いトリプルは、観察された信頼を欠いているため、最近の手法は擬似ラベルを生成するための半教師付き学習に依存している。 これらの手法は、信頼度重み付きグラフを使わずにエンティティ埋め込みを初期化し、グローバルなコミュニティとハブ構造を捨てる。 トレーニング可能なパラメータを標準信頼分散学習パイプラインに追加しないQUESTを導入する。 まず、QUESTは信頼度重み付きグラフLaplacianの最小の非自明な固有ベクトルを用いてエンティティ埋め込みを初期化し、トレーニング前にコミュニティとハブ構造を組み込む。 第2に、QUESTは未バイアスのミニバッチディリクレエネルギーレギュレータを適用して、初期構造一貫性を強制する。 2つのUKGデータセットでは、QUESTは従来の手法よりも8つのメトリックデータセットペアのうち6つの信頼性予測とリンク予測を改善し、残りの2つで最良と一致し、高密度グラフ上で観測される不安定なスパイクを除去する。 これらの結果から,グラフディリクレエネルギー正規化器と組み合わせたスペクトル構造的先行性により,UKG完了時の精度,トレーニング安定性,チェックポイント信頼性が向上することが示唆された。

関連論文リスト

• From Uniform to Learned Graph Priors: Diffusion for Structure Discovery [18.139196723025034]
  Diff-priorは,グラフを生成するのではなく,遅延グラフ分布のキャリブレーションに使用される拡散パラメータ化適応プリミティブである。 私たちの中核的な洞察は、事前の統合を、散在する不確実なエッジ後部をより信頼性の高い構造に整理する、学習可能なデノナイジングスタイルのキャリブレーションとして再編成することにあります。 標準ベンチマーク実験により,我々のフレームワークが検証され,Diff-priorが構造推論の性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2026-06-10T09:14:45Z)
• Global-Aware Edge Prioritization for Pose Graph Initialization [58.77851776918465]
  画像がノードとして機能し、エッジが相対的なポーズをエンコードするStructure-from-Motion(SfM)のコアコンポーネントである。 幾何的検証は高価であるため、SfMパイプラインはポーズグラフを候補エッジのスパース集合に制限する。 本稿では、この制限をエッジ優先順位付けの概念によって解決し、SfMの実用性によって候補エッジをランク付けする。 提案手法は,(1)一貫したエッジ信頼性を予測するために,SfMから指導を受けたGNN,(2)これらのランクで案内されるマルチミニマルスパンニングツリーに基づくポーズグラフ構築,(3)弱い領域を補強する接続性を考慮したスコア変調,の3つの構成要素を有する。
  論文  参考訳（メタデータ） (2026-02-25T14:44:53Z)
• How does Graph Structure Modulate Membership-Inference Risk for Graph Neural Networks? [0.34546020643989767]
  グラフニューラルネットワーク(GNN)は、データとその複雑な関係を連続表現に符号化するための標準ツールとなっている。 センシティブなアプリケーションでの利用は、トレーニングデータの漏洩の可能性への懸念を引き起こしている。 GNNにおけるプライバシー漏洩の研究は、主に非グラフドメインからの発見によって形作られた。
  論文  参考訳（メタデータ） (2026-01-23T19:08:36Z)
• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• Lightweight Inference-Time Personalization for Frozen Knowledge Graph Embeddings [0.0]
  GatedBiasは知識グラフのための軽量な推論時パーソナライズフレームワークである。 プロファイル固有の機能は、グラフ由来のバイナリゲートと組み合わせて、解釈可能な、パーエンタリティバイアスを生成する。 2つのベンチマークデータセット上でGatedBiasを評価する。
  論文  参考訳（メタデータ） (2025-12-26T22:30:37Z)
• Uncertainty-Aware Graph Self-Training with Expectation-Maximization Regularization [2.743479615751918]
  半教師付きノード分類のためのグラフ自己学習手法を提案する。 本手法は,擬似ラベル生成とモデル再学習における不確実性機構を組み込んだものである。 我々のフレームワークは、ノイズの多いグラフ構造や特徴空間をより効率的に扱うように設計されています。
  論文  参考訳（メタデータ） (2025-03-26T21:52:21Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Self-organization Preserved Graph Structure Learning with Principle of Relevant Information [72.83485174169027]
  PRI-GSLは、自己組織化を特定し、隠された構造を明らかにするグラフ構造学習フレームワークである。 PRI-GSLは、フォン・ノイマンエントロピーと量子ジェンセン=シャノンの発散によって定量化された最も関連性が最も低い冗長な情報を含む構造を学ぶ。
  論文  参考訳（メタデータ） (2022-12-30T16:02:02Z)
• Confidence May Cheat: Self-Training on Graph Neural Networks under Distribution Shift [39.73304203101909]
  高信頼の未ラベルノードをラベル付けし、トレーニングステップに追加することで、グラフ上での自己学習手法が広く採用されている。 本稿では,従来のラベル付きデータセットの分布を復元する新しい分散検索フレームワーク(DR-GST)を提案する。 5つのベンチマークデータセットの理論的解析と広範な実験は、提案したDR-GSTの有効性を実証している。
  論文  参考訳（メタデータ） (2022-01-27T07:12:27Z)
• Bringing Your Own View: Graph Contrastive Learning without Prefabricated Data Augmentations [94.41860307845812]
  Self-supervisionは最近、グラフ学習の新しいフロンティアに力を入れている。 GraphCLは、グラフデータ拡張のアドホックな手作業による選択によって反映されたプレハブ付きプリファブリックを使用する。 グラフ生成器のパラメータ空間における学習可能な連続前処理へと拡張した。 我々は、情報最小化(InfoMin)と情報ボトルネック(InfoBN)の2つの原則を利用して、学習した事前情報を規則化する。
  論文  参考訳（メタデータ） (2022-01-04T15:49:18Z)
• Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
  グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。 しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。 本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T02:45:47Z)

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。