論文の概要: Scalable GNN-based Knowledge Graph Representation Learning with Efficient Message Passing

• arxiv url: http://arxiv.org/abs/2609.34499v1
• Date: Mon, 28 Sep 2026 07:46:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:58:42.426916
• Title: Scalable GNN-based Knowledge Graph Representation Learning with Efficient Message Passing
• Title（参考訳）: 効率的なメッセージパッシングを用いたスケーラブルなGNNベースの知識グラフ表現学習
• Abstract要約: グラフニューラルネットワーク(GNN)は知識グラフ(KG)の表現学習に優れる ユーザ定義メッセージパッシング(MP)アルゴリズムに固有の高複雑性は、特に大規模なKGにおいて、広く採用されることを禁止している。
• 参考スコア（独自算出の注目度）: 3.3767916179405137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) excel at representation learning on Knowledge Graphs (KGs), achieving stateof-the-art performance on tasks like link prediction or entity classification. However, their high computational complexity, inherent to their user-defined message passing (MP) algorithm, still prohibits their widespread adoption, especially for large KGs. Current efforts to mitigate the scalability bottlenecks of GNNs on KGs, such as subgraph sampling, are often task- and model-specific, and do not reliably guarantee lossless (if applicable) runtime/space reductions. To address this, we extend Relational Sparse Matrix Multiplication (RSPMM), originally designed to losslessly lower the space complexity of composition-based MP with pointwise composition functions, to support more expressive functions (e.g., 2x2 block-diagonal matrix multiplication, Givens rotation, circular correlation). Our method delivers significant task-independent reductions in runtime and space for current GNNs on KGs and facilitates efficient re-implementations of GNNs that maintain near state-of-the-art performance on challenging KG tasks, for a fraction of computational costs.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、知識グラフ(KG)での表現学習に優れ、リンク予測やエンティティ分類といったタスクで最先端のパフォーマンスを達成する。 しかし、ユーザ定義メッセージパッシング(MP)アルゴリズムに固有の高い計算複雑性は、特に大規模なKGにおいて、広く普及することを禁じている。 サブグラフサンプリングのようなKG上でのGNNのスケーラビリティボトルネックを軽減するための現在の取り組みは、しばしばタスクとモデル固有のものであり、損失のない(適用可能であれば)ランタイム/スペースの削減を確実に保証しない。 これを解決するために、もともとは合成MPの空間複雑性をポイントワイドな合成関数で無作為に小さくするように設計されたRelational Sparse Matrix Multiplication (RSPMM)を拡張し、より表現力のある関数(例えば、2x2ブロック対角行列乗算、所与回転、円相関)をサポートする。 提案手法は,KG 上での現在の GNN に対する実行時間と空間の大幅な削減を実現するとともに,KG タスクの課題に対する最先端性能をある程度の計算コストで維持する GNN の効率的な再実装を容易にする。

関連論文リスト

• ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
  スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。 予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-22T14:05:11Z)
• Distributed Graph Neural Network Inference With Just-In-Time Compilation For Industry-Scale Graphs [6.924892368183222]
  グラフニューラルネットワーク(GNN)は様々な分野で顕著な成果を上げている。 グラフデータのスケールの急激な増加は、GNN推論に重大なパフォーマンスボトルネックをもたらしている。 本稿では,GNNを新しいプログラミングインタフェースで抽象化する分散グラフ学習のための革新的な処理パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-03-08T13:26:59Z)
• OMEGA: A Low-Latency GNN Serving System for Large Graphs [8.51634655687174]
  グラフニューラルネットワーク(GNN)は、グラフデータセットにおける表現ノード表現の計算能力に広く採用されている。 既存のトレーニングにおける近似技術はオーバーヘッドを軽減することができるが、サービスでは高いレイテンシと/または精度の損失につながる。 本稿では,低遅延GNNを最小限の精度でグラフに役立てるシステムであるOMEGAを提案する。
  論文  参考訳（メタデータ） (2025-01-15T03:14:18Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Are Message Passing Neural Networks Really Helpful for Knowledge Graph Completion? [49.858038034580005]
  単純なモデルでMPNNに匹敵する性能が得られることを示す。 評価関数と損失関数の設計がKGCモデルの性能に強い影響を与えることを示す。
  論文  参考訳（メタデータ） (2022-05-21T18:14:52Z)

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。