論文の概要: Oracle, will I ever learn? A study of prediction convergence and complementarity across link prediction models

• arxiv url: http://arxiv.org/abs/2609.02638v1
• Date: Wed, 02 Sep 2026 14:14:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.407439
• Title: Oracle, will I ever learn? A study of prediction convergence and complementarity across link prediction models
• Title（参考訳）: Oracle, I ever learn? リンク予測モデル間の予測収束と相補性に関する研究
• Abstract要約: 異なるリンク予測モデル、あるいは同じモデルの異なるトレーニング実行でさえ、同じクエリに対して実質的に異なる予測を生成することができる。 検討されたモデルの集合の中で最良の予測を選択するオラクルの性能を通してモデルの相補性を測定する。 個々のモデルとそれらの神託の間には大きなギャップがあり、異なるモデルが相補的な知識を捉えていることが明らかになった。
• 参考スコア（独自算出の注目度）: 2.1174215880331766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs have become an important source of structured knowledge for Web applications, including search, question answering, and recommender systems. In these applications, link prediction can serve either as a prediction task itself or as a means to enrich incomplete knowledge graphs for downstream tasks. Interestingly, different link prediction models, or even different training runs of the same model, can produce substantially different predictions for the same query. This suggests a variability in the capture of the underlying knowledge by models, thus raising a fundamental question: to what extent do different models capture complementary knowledge, and how much of this knowledge could be recovered by combining them? We propose to measure model complementarity through the performance of an oracle that, for each query, selects the best prediction among a considered set of models, hence providing an upper bound on the performance achievable through model combination. Across several architectures and benchmarks, we find a substantial gap between individual models and their oracle, revealing that different models capture complementary knowledge. Yet, this complementarity rapidly saturates as more models are added, leaving a persistent subset of queries unsolved even by a large number of models. These findings reveal both the potential of model complementarity and a fundamental limit to what current link prediction models can collectively recover; thereby highlighting the need for further research to build robust Web applications.
• Abstract（参考訳）: 知識グラフは、検索、質問応答、レコメンダシステムを含む、Webアプリケーションのための構造化知識の重要な情報源となっている。 これらのアプリケーションでは、リンク予測は予測タスク自身または下流タスクのための不完全な知識グラフを豊かにする手段として機能する。 興味深いことに、異なるリンク予測モデル、あるいは同じモデルの異なるトレーニング実行でさえ、同じクエリに対してかなり異なる予測を生成することができる。 このことは、モデルによって基盤となる知識を捉えることのばらつきを示唆するものであり、したがって根本的な疑問を提起する: 異なるモデルが相補的な知識をどの程度取得するか、そしてそれらを組み合わせることで、この知識のどのくらいが回復できるのか? そこで本研究では,各クエリに対して,検討されたモデルの集合の中で最高の予測を選定し,モデル組み合わせによって達成可能な性能の上限を与えるという,オラクルの性能によるモデルの相補性の測定を提案する。 いくつかのアーキテクチャとベンチマークで、個々のモデルとそれらのオラクルの間に大きなギャップが見つかり、異なるモデルが相補的な知識を捉えていることが判明した。 しかし、この相補性は、より多くのモデルが追加されるにつれて急速に飽和し、多数のモデルによって解決されないクエリの永続的なサブセットを残します。 これらの結果は、モデル相補性の可能性と、現在のリンク予測モデルが集合的に回復できる基本的限界の両方を明らかにし、堅牢なWebアプリケーションを構築するためのさらなる研究の必要性を強調している。

関連論文リスト

• From Black-box to Causal-box: Towards Building More Interpretable Models [57.23201263629627]
  本稿では, 因果解釈可能性の概念を導入し, 特定のモデルのクラスから対実的クエリを評価できるときの形式化について述べる。 我々は、与えられたモデルアーキテクチャが与えられた偽物クエリをサポートするかどうかを決定する完全なグラフィカルな基準を導出する。
  論文  参考訳（メタデータ） (2025-10-24T20:03:18Z)
• Multi-Level Collaboration in Model Merging [56.31088116526825]
  本稿では,モデルマージとモデルアンサンブルの本質的な関係について考察する。 これまでの制限が満たされていない場合でも、モデルのマージによって、アンサンブルと同じような、ほぼ同一かつ優れたパフォーマンスを達成する方法がまだ存在することが分かっています。
  論文  参考訳（メタデータ） (2025-03-03T07:45:04Z)
• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• Fantastic Gains and Where to Find Them: On the Existence and Prospect of General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
  事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。 このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-10-26T17:59:46Z)
• Link Prediction with Attention Applied on Multiple Knowledge Graph Embedding Models [7.620967781722715]
  知識グラフは、地図ノードをベクトル空間に埋め込み、新しいリンクを予測する。 すべてのパターンを平等に学習できるモデルはありません。 本稿では,複数のモデルからのクエリ表現を統一的に組み合わせ,各モデルによって独立にキャプチャされたパターンを組み込む。
  論文  参考訳（メタデータ） (2023-02-13T10:07:26Z)
• Lifelong Infinite Mixture Model Based on Knowledge-Driven Dirichlet Process [15.350366047108103]
  生涯学習における最近の研究成果は、タスクの増加に対応するために、モデルの混合を成長させることが提案されている。 本研究では,データの確率的表現間の差分距離に基づいてリスク境界を導出することにより,生涯学習モデルの理論的解析を行う。 理論解析に着想を得て, 生涯無限混合モデル (LIMix) と呼ばれる新しい生涯学習手法を導入する。
  論文  参考訳（メタデータ） (2021-08-25T21:06:20Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• NASE: Learning Knowledge Graph Embedding for Link Prediction via Neural Architecture Search [9.634626241415916]
  リンク予測は、知識グラフ(KG)におけるエンティティ間の欠落した接続を予測するタスクである これまでの研究では、Automated Machine Learning(AutoML)を使用して、データセットに最適なモデルを探していた。 リンク予測タスクのための新しいニューラルネットワーク探索(NAS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:34:09Z)

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。