論文の概要: ImbalancE: Inference-Time Latent Search Against Degree Imbalance in Link Prediction

• arxiv url: http://arxiv.org/abs/2609.36996v1
• Date: Tue, 29 Sep 2026 08:26:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.317856
• Title: ImbalancE: Inference-Time Latent Search Against Degree Imbalance in Link Prediction
• Title（参考訳）: ImbalancE: リンク予測におけるdegree不均衡に対する推論時間遅延探索
• Abstract要約: 学習した表現の質はグラフの異なる領域で大きく異なることを示す。 モデル予測を大幅に改善できる推論時間潜時探索最適化法を提案する。 一般的なベンチマークデータセットから,不均衡な三重項に対するアプローチの価値を示す。
• 参考スコア（独自算出の注目度）: 2.7514515379864073
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Knowledge Graph Embedding models have been extensively used to learn representations of entities and relations in Knowledge Graphs for predicting missing links. However, the quality of the learned representations varies a lot across different areas of the graph. If previous research has loosely linked the problem to relation types or degree bias, we show that it is more widespread and it correlates with the degree imbalance of the entities in test triples. In particular, the prediction of a target entity that has a degree much smaller than the degree of the anchor entity is extremely problematic. This is critical in recommender systems and other use cases, where these triples represent important corner cases. To address this issue, we propose an inference-time latent search optimization method capable of significantly improving model predictions on the most imbalanced triples. Built on top of a pre-trained model, it explores the embedding space at evaluation time, blending known and out-of-band information to mitigate the degree imbalance bias. We show the value of our approach on imbalanced triples from common benchmark datasets, where we outperform conventional methods, opening the door to the successful adoption of Knowledge Graph Embedding models on these critical corner cases.
• Abstract（参考訳）: 知識グラフ埋め込みモデルは、欠落したリンクを予測するために知識グラフにおける実体と関係の表現を学ぶために広く使用されている。 しかし、学習した表現の質はグラフの様々な領域で大きく異なる。 これまでの研究では、関係型や次数バイアスに問題を緩やかに関連付けた場合、より広範に行われ、テスト三重項の実体の次数不均衡と相関していることを示す。 特に、アンカーエンティティの次数よりもはるかに小さい目標エンティティの予測は非常に問題となる。 これは、重要なコーナーケースを表すレコメンデーションシステムやその他のユースケースにおいて重要である。 この問題を解決するために、最も不均衡な三重項のモデル予測を大幅に改善できる推論時潜時探索最適化法を提案する。 事前訓練されたモデルの上に構築され、評価時の埋め込み空間を探索し、既知情報と帯域外情報をブレンドすることで、偏差の度合いを緩和する。 従来の手法よりも優れており、これらの重要なコーナーケースにおける知識グラフ埋め込みモデルの採用の成功への扉を開く。

関連論文リスト

• Improving Group Robustness on Spurious Correlation via Evidential Alignment [26.544938760265136]
  ディープニューラルネットワークは、しばしば急激な相関、すなわち非因果的特徴と標的の間の表面的関連を学習し、依存する。 既存のメソッドは通常、外部のグループアノテーションや補助的な決定論的モデルを使用することでこの問題を軽減する。 偏りのあるモデルの振る舞いを理解するために不確実性定量化を利用する新しいフレームワークであるエビデンシャルアライメントを提案する。
  論文  参考訳（メタデータ） (2025-06-12T22:47:21Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Predicting and Enhancing the Fairness of DNNs with the Curvature of Perceptual Manifolds [44.79535333220044]
  近年の研究では、テールクラスは必ずしも学習が困難ではないことが示されており、サンプルバランスのデータセットではモデルバイアスが観察されている。 本研究ではまず,モデルフェアネスを解析するための幾何学的視点を確立し,次いで,一連の幾何学的測度を体系的に提案する。
  論文  参考訳（メタデータ） (2023-03-22T04:49:23Z)
• SMiLE: Schema-augmented Multi-level Contrastive Learning for Knowledge Graph Link Prediction [28.87290783250351]
  リンク予測は、知識グラフにおけるエンティティ間の欠落したリンクを推測するタスクである。 本稿では,知識グラフリンク予測を行うための新しいマルチレベルコントラスト学習フレームワーク(SMiLE)を提案する。
  論文  参考訳（メタデータ） (2022-10-10T17:40:19Z)
• Self-attention Presents Low-dimensional Knowledge Graph Embeddings for Link Prediction [6.789370732159177]
  セルフアテンションは、エンティティとリレーションにクエリ依存のプロジェクションを適用するための鍵である。 我々のモデルは、最新の3つの最先端の競合製品よりも好意的に、あるいは優れたパフォーマンスを達成しています。
  論文  参考訳（メタデータ） (2021-12-20T16:11:01Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
  時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。 提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。 実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-23T03:24:44Z)

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。