論文の概要: FedV-KGQA in Practice: Design Lessons and an Interactive Prototype

• arxiv url: http://arxiv.org/abs/2609.13661v1
• Date: Sat, 12 Sep 2026 02:39:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.455896
• Title: FedV-KGQA in Practice: Design Lessons and an Interactive Prototype
• Title（参考訳）: FedV-KGQA in Practice: Design Lessons and an Interactive Prototype
• Abstract要約: このポスターは, 垂直分割グラフ上でのマルチホップ質問応答におけるFedV-KGQAの結果を示す。 FedV-KGQA実験を互いに比較すると、3つの結果が得られる。
• 参考スコア（独自算出の注目度）: 1.1565257196553245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph question answering usually assumes that one system can reach the whole graph. In practice, facts are often held by organizations that share entity identifiers but own disjoint relation types, so no single party sees a complete reasoning chain. This poster presents the empirical findings of FedV-KGQA on multi-hop question answering over such vertically partitioned graphs. Each silo enriches its local graph and trains a knowledge graph embedding on its own triples. A server then concatenates the silo-specific entity views, anchors the projected question at the topic entity, and ranks candidates by similarity. Raw triples and relation embeddings never leave a silo. Comparing the FedV-KGQA experiments with one another yields three results. First, federated fusion recovers most of the centralized accuracy, while a single silo recovers little. Second, anchoring and enrichment matter more than the choice of embedding model. Third, the cheapest encoder depends on the target accuracy rather than on parameter count. This poster paper contributes that cross-experiment comparison, four design lessons drawn from it, and an interactive prototype that runs real inference and traces the full pipeline, per question, on released checkpoints.
• Abstract（参考訳）: 知識グラフの解答は通常、1つのシステムがグラフ全体に到達することができると仮定する。 事実は多くの場合、エンティティ識別子を共有する組織によって保持されるが、非結合関係型を持つ組織によって保持される。 本稿では,FedV-KGQAの垂直分割グラフに対するマルチホップ質問応答に関する実証的な知見を示す。 各サイロは局所グラフを豊かにし、知識グラフを自身のトリプルに埋め込むように訓練する。 その後、サーバはサイロ固有のエンティティビューを結合し、トピックエンティティで予測された質問をアンカーし、候補を類似度でランク付けする。 生三重項と関係埋め込みはサイロを決して残さない。 FedV-KGQA実験を互いに比較すると、3つの結果が得られる。 第一に、連合核融合は集中的な精度のほとんどを回復し、一方、単一のサイロはほとんど回復しない。 第二に、アンカーとエンリッチメントは、埋め込みモデルの選択よりも重要である。 第三に、最も安価なエンコーダはパラメータ数よりも目標精度に依存する。 このポスターペーパーは,テスト間の比較,そこから引き出された4つの設計レッスン,そして実際の推論を実行し,問題のあるパイプライン全体を,リリースされたチェックポイント上でトレースするインタラクティブプロトタイプに寄与する。

関連論文リスト

• FedV-KGQA: Multi-Hop Question Answering over Vertically Partitioned Knowledge Graphs [1.1565257196553245]
  FedV-KGQAは知識グラフに対するマルチホップ推論のためのフレームワークである。 我々は,実行時とサイロ間通信を伴わずに,適切なグラフ近傍で質問を根拠とするトピックエンティティアンカー機構を導入する。
  論文  参考訳（メタデータ） (2026-08-25T17:34:27Z)
• SentGraph: Hierarchical Sentence Graph for Multi-hop Retrieval-Augmented Question Answering [24.405588261303834]
  SentGraphは文レベルグラフベースのRAGフレームワークで、マルチホップ質問応答のための文間のきめ細かい論理的関係を明示的にモデル化する。 オンライン検索中、SentGraphはグラフ誘導型エビデンスの選択と経路拡張を行い、きめ細かい文レベルのエビデンスを取得する。
  論文  参考訳（メタデータ） (2026-01-06T13:39:51Z)
• Single Sequence Prediction over Reasoning Graphs for Multi-hop QA [8.442412179333205]
  局所推論グラフ(モデル)フットノートコード/モデル上での単一シーケンス予測手法を提案する。 グラフニューラルネットワークを用いて、このグラフ構造を符号化し、結果の表現をモデルのエンティティ表現に融合する。 実験の結果, 正確なマッチング/F1のスコアと, 推論経路におけるグラウンドの忠実度は有意に向上した。
  論文  参考訳（メタデータ） (2023-07-01T13:15:09Z)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)
• Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
  ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。 時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-11T16:15:25Z)
• Deconfounded Training for Graph Neural Networks [98.06386851685645]
  本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。 具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。 これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-30T15:22:35Z)
• TransferNet: An Effective and Transparent Framework for Multi-hop Question Answering over Relation Graph [66.09674676187453]
  transfernetはマルチホップ質問応答の効果的で透明なモデルである。 ラベルとテキストの関係を統一されたフレームワークでサポートする。 2ホップと3ホップの質問で100%精度を達成する。
  論文  参考訳（メタデータ） (2021-04-15T08:23:05Z)
• Graph-Based Tri-Attention Network for Answer Ranking in CQA [56.42018099917321]
  本稿では,グラフに基づく新しい三者関係ネットワーク,すなわちGTANを提案し,回答ランキングのスコアを生成する。 実世界の3つのCQAデータセットの実験では、GTANは最先端の回答ランキング法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2021-03-05T10:40:38Z)
• BasConv: Aggregating Heterogeneous Interactions for Basket Recommendation with Graph Convolutional Neural Network [64.73281115977576]
  バスケット内のレコメンデーションは、ユーザのバスケットに対する意図が重要となるユーザの探索時間を短縮する。 グラフ畳み込みニューラルネットワークに基づく textbfBasConv という新しいフレームワークを提案する。 私たちのBasConvモデルには、3種類のノード用に特別に設計された3種類のアグリゲータがあります。
  論文  参考訳（メタデータ） (2020-01-14T16:27:32Z)

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。