論文の概要: QORH: Learning Query-Specific Ordered Rule Hypergraphs for Inductive Knowledge Graph Link Prediction

• arxiv url: http://arxiv.org/abs/2610.18198v1
• Date: Tue, 13 Oct 2026 11:35:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.603546
• Title: QORH: Learning Query-Specific Ordered Rule Hypergraphs for Inductive Knowledge Graph Link Prediction
• Title（参考訳）: QORH: 帰納的知識グラフリンク予測のためのクエリ特化規則ハイパーグラフの学習
• Abstract要約: 未知の実体と関係を含む知識グラフリンク予測には、観測されたグラフ構造から伝達可能な推論パターンを学習する必要がある。 本稿では,ルールヘッドと規則本体をクエリ関係に条件付きハイパーエッジとして共同符号化するQORH(Query-specific Ordered Rule Hypergraph)を提案する。 モデルの共有パラメータは特定のエンティティや関係識別子とは独立しており、目に見えないエンティティやリレーションの帰納的予測を可能にする。
• 参考スコア（独自算出の注目度）: 0.14504054468850666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph link prediction involving unseen entities and relations requires learning transferable reasoning patterns from observed graph structure. Existing methods based on relation graphs primarily capture pairwise dependencies, limiting their ability to preserve the compositional semantics, relation ordering, and role information of complete path rules. To address this limitation, we propose QORH (Query-specific Ordered Rule Hypergraph), which jointly encodes rule heads and ordered rule bodies as hyperedges conditioned on the query relation, explicitly modeling joint dependencies among multiple relations. QORH performs learnable rule selection using statistical evidence, such as rule confidence and coverage, and enhances relation representations through role-aware hypergraph message passing to guide entity-level reasoning. The model's shared parameters are independent of specific entity or relation identifiers, enabling inductive prediction for unseen entities and relations. Extensive experiments on entity-inductive and fully inductive benchmarks demonstrate that QORH significantly outperforms the state-of-the-art baselines included in our evaluation, validating the effectiveness of rule hypergraph modeling for inductive link prediction.
• Abstract（参考訳）: 未知の実体と関係を含む知識グラフリンク予測には、観測されたグラフ構造から伝達可能な推論パターンを学習する必要がある。 既存のリレーショナルグラフに基づくメソッドは、主にペアの依存関係をキャプチャし、コンポジションセマンティクス、リレーショナルオーダリング、完全なパスルールのロール情報を保存する能力を制限する。 この制限に対処するために、ルールヘッドと順序付きルールボディをクエリ関係に条件付きハイパーエッジとして符号化し、複数の関係間の共同依存関係を明示的にモデル化するQORH(Query-specific Ordered Rule Hypergraph)を提案する。 QORHはルールの信頼性やカバレッジなどの統計的証拠を用いて学習可能なルール選択を行い、ロール対応のハイパーグラフメッセージパッシングを通じて関係表現を強化し、エンティティレベルの推論をガイドする。 モデルの共有パラメータは特定のエンティティや関係識別子とは独立しており、目に見えないエンティティやリレーションの帰納的予測を可能にする。 エンティティインダクティブおよび完全インダクティブベンチマークに関する大規模な実験により、QORHは我々の評価に含まれる最先端のベースラインを著しく上回り、インダクティブリンク予測におけるルールハイパーグラフモデリングの有効性を検証した。

関連論文リスト

• Beyond Triplet Plausibility: Relation Set Completion in Knowledge Graphs [48.16012222834734]
  関係集合完了タスク(RSC)と関係集合埋め込みモデル(RelSetE)を導入する。 RSCは、あるエンティティと意味的に互換性のある欠落した関係を推論することを目的としている。 RelSetEは、観測されたエンティティの関係の中で潜在パターンをモデル化し、失われたパターンを推測する。
  論文  参考訳（メタデータ） (2026-06-29T06:54:40Z)
• VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
  LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。 We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。 以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
  論文  参考訳（メタデータ） (2026-06-15T11:50:56Z)
• Graph Pattern-based Association Rules Evaluated Under No-repeated-anything Semantics in the Graph Transactional Setting [0.6599344783327054]
  RDFグラフのような有向ラベル付き多グラフに対するグラフパターンに基づくアソシエーションルール(GPAR)を導入する。 GPARはグラフが拡張された生成タスクと、グラフの妥当性を評価する評価タスクの両方をサポートする。
  論文  参考訳（メタデータ） (2025-12-17T10:52:15Z)
• Inductive Link Prediction on N-ary Relational Facts via Semantic Hypergraph Reasoning [13.74104688000986]
  我々は,n-aryリレーショナル事実に基づく完全帰納的リンク予測(ILP)のためのn-aryサブグラフ推論フレームワークを提案する。 具体的には,新たなグラフ構造であるn-ary意味ハイパーグラフを導入し,部分グラフ抽出を容易にする。 また、サブグラフ内の複雑な意味的相関を効果的にマイニングするために、サブグラフ集約ネットワークNS-HARTを開発した。
  論文  参考訳（メタデータ） (2025-03-26T16:09:54Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Topology-Aware Correlations Between Relations for Inductive Link Prediction in Knowledge Graphs [41.38172189254483]
  TACTは、2つの関係間の意味的相関がそれらのトポロジカルナレッジグラフと非常に相関しているという観測に触発される。 関係対を複数のトポロジ的パターンに分類し、相関ネットワーク(RCN)の構造を提案し、帰納的リンク予測における異なるパターンの重要性を学習する。 実験では、TACTが関係間のセマンティック相関を効果的にモデル化し、ベンチマークデータセット上の既存の最先端の方法を大幅に上回ることが示されています。
  論文  参考訳（メタデータ） (2021-03-05T13:00:10Z)

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。