論文の概要: Reification as a Transferable Vocabulary: Zero-Shot Link Prediction with Vanilla GNNs

• arxiv url: http://arxiv.org/abs/2609.11347v1
• Date: Thu, 10 Sep 2026 10:26:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.304175
• Title: Reification as a Transferable Vocabulary: Zero-Shot Link Prediction with Vanilla GNNs
• Title（参考訳）: 移動可能な語彙としてのリフィケーション:Vanilla GNNによるゼロショットリンク予測
• Abstract要約: ULTRAのような知識グラフ基盤モデルは、転送機構をハードコードする専用アーキテクチャを通じて、目に見えないグラフのゼロショットリンク予測を実現する。 この作業では、入力グラフを具現化することにより、そのメカニズムをアーキテクチャから表現に移します。 5つの教科書GNNは、1つのNVIDIA A100で4,245トリプルの知識グラフを30分間トレーニングし、ゼロショットを40のインダクティブリンク予測ベンチマークに転送する。
• 参考スコア（独自算出の注目度）: 0.033842793760651545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph foundation models such as ULTRA achieve zero-shot link prediction on unseen graphs through dedicated architectures that hard-code a transfer mechanism. In this work we move that mechanism out of the architecture and into the representation, by \emph{reifying} the input graph: every fact becomes a node, connected to its subject, object, and relation type through a fixed vocabulary of six meta-relations, with relation types as anonymous shared nodes rather than model parameters. On this representation, five textbook GNNs (GAT, GINE with sum and with mean+max aggregation, GraphSAGE, R-GCN), each trained on a single knowledge graph of 4,245 triples for 30 minutes on one NVIDIA A100, transfer zero-shot to 40 inductive link-prediction benchmarks. The best of them, an off-the-shelf GAT, matches ULTRA, a dedicated foundation model pretrained on three graphs, across ULTRA's own evaluation suite. The same fixed vocabulary extends to relational databases, a row becoming an entity and a foreign-key column a relation type; a preliminary probe on two unseen databases, with no cell values, schema text or in-context labels, shows a model of this family pretrained on three knowledge graphs ranking foreign-key targets far above random-initialization and degree controls. We release the code, the checkpoints, and the evaluation pipeline for all 40 benchmarks.
• Abstract（参考訳）: ULTRAのような知識グラフ基盤モデルは、転送機構をハードコードする専用アーキテクチャを通じて、目に見えないグラフのゼロショットリンク予測を実現する。 あらゆる事実は、モデルパラメータではなく匿名共有ノードとして、モデルパラメータではなく、匿名共有ノードとして、6つのメタリレーションの固定語彙を通して、その主題、オブジェクト、関係型に接続されたノードとなる。 この表現では、5つの教科書GNN(GAT, GINE with sum and with mean+max aggregate, GraphSAGE, R-GCN)が4,245の知識グラフを1つのNVIDIA A100で30分間トレーニングし、ゼロショットを40個のインダクティブリンク予測ベンチマークに転送する。 最も優れたのは、既製のGATであるULTRAと、ULTRA自身の評価スイート間で3つのグラフで事前訓練された、専用の基礎モデルであるULTRAが一致している。 同じ固定語彙はリレーショナルデータベースに拡張され、行はエンティティとなり、行は外部キー列はリレーショナルタイプとなる; セル値、スキーマテキストまたはインテキストラベルを持たない2つの未確認データベースに対する予備的なプローブは、ランダム初期化と次数制御よりもはるかに上位にある3つの知識グラフに事前訓練されたこのファミリーのモデルを示している。 40ベンチマークすべてに対するコード、チェックポイント、評価パイプラインをリリースしています。

関連論文リスト

• Learning Chain Of Thoughts Prompts for Predicting Entities, Relations, and even Literals on Knowledge Graphs [8.176236109014758]
  本稿では,三重項のスコアリング関数として文字列ベースのチェーン・オブ・シークレットのプロンプトを学習するRALPを紹介する。 推論では、ralPは、欠落したエンティティ、関係、あるいは三重項全体を予測し、学習したプロンプトに基づいて信頼スコアを割り当てる。 実装、トレーニング、評価パイプラインをオープンソースとしてリリースしています。
  論文  参考訳（メタデータ） (2026-04-14T12:21:15Z)
• CGLE: Class-label Graph Link Estimator for Link Prediction [10.111824396356543]
  CGLE(Class-label Graph Link Estimator)は、GNNベースのリンク予測モデルを拡張するために設計された新しいフレームワークである。 CGLEはクラス条件のリンク確率行列を構成する。 効率的な前処理の段階でカプセル化され、基礎となるGNNモデルの計算複雑性は影響を受けないままである。
  論文  参考訳（メタデータ） (2025-11-10T11:34:36Z)
• Context Pooling: Query-specific Graph Pooling for Generic Inductive Link Prediction in Knowledge Graphs [55.918039693545616]
  本稿では,知識グラフにおけるリンク予測に対するGNNモデルの有効性を高めるために,コンテキストプーリングという新しい手法を提案する。 提案手法は,3つのパブリック・トランスダクティブおよびインダクティブ・データセット上の2つの最先端(SOTA)モデルに適用することにより,汎用的評価を行う。
  論文  参考訳（メタデータ） (2025-07-10T09:54:37Z)
• GraphBridge: Towards Arbitrary Transfer Learning in GNNs [65.01790632978962]
  GraphBridgeは、GNNの異なるタスクやドメイン間での知識伝達を可能にする新しいフレームワークである。 予測ヘッドと入力を出力層に接続するブリッジングネットワークを備えた、事前訓練されたGNNの拡張を可能にする。 これらのシナリオを代表する16以上のデータセットで実施された実証検証では、タスクとドメインに依存しないトランスファー学習のためのフレームワークの能力が確認されている。
  論文  参考訳（メタデータ） (2025-02-26T15:57:51Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
  本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。 LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。 潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
  論文  参考訳（メタデータ） (2024-12-24T07:51:29Z)
• MUSE: Integrating Multi-Knowledge for Knowledge Graph Completion [0.0]
  知識グラフ補完(KGC)は、欠落した(リレーション)部分(ヘッドエンティティ)--(リレーション]->(テールエンティティ)三重項を予測することを目的としている。 既存のKGCメソッドのほとんどは、単一の特徴(例えば、関係型)やサブグラフアグリゲーションに焦点を当てている。 本稿では,知識認識型推論モデル(MUSE)を提案する。
  論文  参考訳（メタデータ） (2024-09-26T04:48:20Z)
• Towards Better Graph-based Cross-document Relation Extraction via Non-bridge Entity Enhancement and Prediction Debiasing [30.204313638661255]
  文書間関係抽出は,異なる文書に存在する対象エンティティ間の関係を予測することを目的としている。 本稿では,非ブリッジエンティティ拡張と予測バイアスを用いたグラフベースのクロスドキュメントREモデルを提案する。
  論文  参考訳（メタデータ） (2024-06-24T11:08:28Z)
• IntelliGraphs: Datasets for Benchmarking Knowledge Graph Generation [2.4810855804075946]
  本稿では,モデルが有意かつ意味論的に有効な部分グラフを生成する必要がある部分グラフ推論タスクを提案する。 IntelliGraphsデータセットには、サブグラフ推論を評価するための論理ルールで表現されたセマンティックスを含むサブグラフが含まれている。
  論文  参考訳（メタデータ） (2023-07-13T11:54:32Z)
• On Exploring Node-feature and Graph-structure Diversities for Node Drop Graph Pooling [86.65151066870739]
  現在のノードドロッププーリング法は、ノードの特徴やグラフ構造の観点からグラフの多様性を無視し、結果としてグラフレベル以下の表現をもたらす。 そこで本稿では,textiti.fltextbfIpscore と textbfDropscore の2つの操作を持つ textbfMulti スコア空間からなる MID を新たに提案する。 具体的には、多次元スコア空間は、複数の基準を通してノードの重要さを描いており、フリップスコアは異種ノードの維持を奨励している。
  論文  参考訳（メタデータ） (2023-06-22T08:02:01Z)
• GraphFormers: GNN-nested Transformers for Representation Learning on Textual Graph [53.70520466556453]
  階層的にGNNコンポーネントを言語モデルのトランスフォーマーブロックと一緒にネストするGraphFormerを提案する。 提案したアーキテクチャでは、テキストエンコーディングとグラフ集約を反復的なワークフローに融合する。 さらに、プログレッシブ・ラーニング・ストラテジーを導入し、そのモデルが操作されたデータと元のデータに基づいて連続的に訓練され、グラフ上の情報を統合する能力を強化する。
  論文  参考訳（メタデータ） (2021-05-06T12:20:41Z)

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。