論文の概要: Pattern Over-Generalization of Knowledge Graph Embedding

• arxiv url: http://arxiv.org/abs/2609.03487v1
• Date: Thu, 03 Sep 2026 07:48:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.97338
• Title: Pattern Over-Generalization of Knowledge Graph Embedding
• Title（参考訳）: 知識グラフ埋め込みのパターンオーバージェネレーション
• Authors: Junsik Kim, Kangil Kim,
• Abstract要約: 知識グラフ埋め込み(KGE)は知識グラフにおける不足リンクを予測する効果を示す 最近のKGEモデルは、パターンの過剰一般化に起因する固有の制限に悩まされている。 本稿では,関係表現に高密度線形変換と複素演算を用いる,単純だが効果的な方法であるPogREを提案する。
• 参考スコア（独自算出の注目度）: 13.531928409809227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph embedding (KGE) demonstrates its effectiveness for predicting missing links in knowledge graphs (KGs) by projecting entities and relations into a low-dimensional vector space. It is crucial for KGE models to effectively capture inference patterns (patterns) inherent in KGs, such as symmetry/antisymmetry, inversion and composition. Although recent KGE models exhibit strong capabilities in modeling such diverse patterns, they suffer from inherent limitations stemming from pattern over-generalization, where embeddings learned from only a single pattern instance inevitably generalize that pattern to all related instances, i.e., generalize the pattern universally. To address this issue, we propose PogRE (Pattern Over-Generalization Robust Embedding), a simple but effective method that utilizes dense linear transformations and compound operations for relation representation. Our theoretical analysis demonstrates that a dense linear transformation allows a pattern to become progressively universal as more triples are observed in the pattern. Furthermore, after observing d+1 linearly independent entities (d+1 denotes the dimension of entity), the linear transformation guarantees universal generalization of the pattern across all related instances. Experimental results on three standard benchmark datasets show that PogRE outperforms existing state-of-the-art KGE models in link prediction. Moreover, our empirical results indicate that PogRE effectively addresses the negative impact of over-generalization.
• Abstract（参考訳）: 知識グラフ埋め込み(KGE)は、エンティティと関係を低次元ベクトル空間に投影することにより、知識グラフ(KG)の欠落リンクを予測する効果を示す。 KGEモデルでは、対称性や反対称性、反転、組成など、KGに固有の推論パターン(パターン)を効果的に捉えることが重要である。 近年のKGEモデルは、このような多様なパターンをモデル化する上で強力な能力を示すが、パターンの過剰な一般化に起因する固有の制限に悩まされ、単一のパターンインスタンスから学習した埋め込みは、必然的にそのパターンをすべての関連するインスタンス、すなわちパターンを普遍的に一般化する。 この問題に対処するために,高密度線形変換と複合演算を関係表現に用いる簡易かつ効果的な方法であるPogRE(Pattern Over-Generalization Robust Embedding)を提案する。 我々の理論解析は、高密度線形変換によってパターンがより3倍になるにつれて、パターンが徐々に普遍になることを示す。 さらに、d+1 の線型独立な実体(d+1 は実体の次元を表す)を観察した後、線形変換はすべての関連するインスタンスにわたってパターンの普遍的な一般化を保証する。 3つの標準ベンチマークデータセットの実験結果から、PogREはリンク予測において既存の最先端のKGEモデルより優れていることが示された。 さらに, 実証実験の結果, PogRE は過剰一般化の負の影響に効果的に対処していることが明らかとなった。

関連論文リスト

• A renormalization-group inspired lattice-based framework for piecewise generalized linear models [0.6599344783327052]
  再正規化群(RG)理論にインスパイアされたモデルのクラスを導入する。 これらは、機能的ANOVAや混合効果モデルに類似した付加的階層展開に基づいて構築される。 統計物理学、特にレプリカ解析の技法を用いて一般化特性を研究する。
  論文  参考訳（メタデータ） (2026-05-06T22:27:50Z)
• SMART: Relation-Aware Learning of Geometric Representations for Knowledge Graphs [7.612535740166837]
  本稿では,各関係が幾何変換にどのように適合するかを評価する枠組みを提案する。 このランキングに基づいて、モデルは、(1)各関係にベストマッチ変換を割り当てるか、(2)すべての関係に適用される1つの変換タイプを選択するために過半数投票を使用する。
  論文  参考訳（メタデータ） (2025-07-17T11:18:08Z)
• Block-Diagonal Orthogonal Relation and Matrix Entity for Knowledge Graph Embedding [5.463034010805521]
  知識グラフ埋め込み (KGE) は、実体の低次元表現と、行方不明な事実を予測するための関係を学習することである。 我々は,エンティティの行列と関係のブロック対角行列を用いた新しいKGEモデルOrthogonalEを紹介する。 実験結果から,我々の新しいKGEモデルOrthogonalEは汎用的かつ柔軟であり,最先端のKGEモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-01-11T15:13:00Z)
• A Comprehensive Study on Knowledge Graph Embedding over Relational Patterns Based on Rule Learning [49.09125100268454]
  KGE(Knowledge Graph Embedding)は、KGC(Knowledge Completion Graph)タスクを解決するための効果的なアプローチであることが証明されている。 関係パターンはKGEモデルの性能において重要な要素である。 我々は,KGEモデルの性能を様々な関係パターン上で向上させるトレーニングフリー手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:30:57Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• STaR: Knowledge Graph Embedding by Scaling, Translation and Rotation [20.297699026433065]
  ビリニア法は知識グラフ埋め込み(KGE)において主流であり、実体と関係性の低次元表現を学習することを目的としている。 以前の研究では、主に非可換性のような6つの重要なパターンが発見されている。 上述の2つの部分からなるバイリニアモデルスケーリング翻訳・回転(STaR)を提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:06:22Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。