論文の概要: From Local Recovery to Unified Generation: Discovering Triple Set in Knowledge Graphs via Observation-Anchored Latent Diffusion

• arxiv url: http://arxiv.org/abs/2610.39114v1
• Date: Thu, 29 Oct 2026 00:57:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.439639
• Title: From Local Recovery to Unified Generation: Discovering Triple Set in Knowledge Graphs via Observation-Anchored Latent Diffusion
• Title（参考訳）: 局所回復から統一生成へ:観測アンコール型潜在拡散による知識グラフの3つの集合の発見
• Abstract要約: トリプルセット予測 (TSP) は、孤立リンクの代わりにトリプルセットを予測することで、知識グラフの欠落したトリプルを復元することである。 本稿では, TSP のための新しい遅延生成フレームワークである LatentDiff を提案する。
• 参考スコア（独自算出の注目度）: 66.12201404491223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Triple set prediction (TSP) is to recover missing relational triples in a knowledge graph by predicting the triple set instead of isolated links. Existing approaches predominantly rely on the subgraph-based completion paradigm, where the original graph is first partitioned into local subgraphs which are then independently completed. Such a paradigm suffers from fragmented structural reasoning, limited cross subgraph dependency modeling, and missing predictions across subgraphs. This paper proposes LatentDiff, a novel unified latent generative framework for TSP, which reformulates knowledge graph completion as latent space graph generation. LatentDiff first learns a compact latent representation using a relation-aware residual-quantized knowledge graph autoencoder, which encodes the whole graph into relation-aware latent embeddings, quantizes them with chunked residual codebooks, and reconstructs triples through a factorized decoder. On top of this latent space, we introduce an observation-anchored latent graph diffusion model, where the target latent graph representation is perturbed toward the observed latent. The reverse process recovers missing triples through progressive latent denoising. Experiments on three benchmark datasets show that LatentDiff outperforms the SOTA in terms of F_{tsp} by 5.4 percentage points on average. Code: https://anonymous.4open.science/r/LKGDiff-44A5.
• Abstract（参考訳）: トリプルセット予測(トリプルセットえいえい、TSP)とは、知識グラフにおいて、孤立リンクの代わりにトリプルセットを予測することで、欠落したリレーショナルトリプルを復元することである。 既存のアプローチは主に部分グラフベースの補完パラダイムに依存しており、そこでは元のグラフをまず局所的な部分グラフに分割し、その後独立に完成する。 このようなパラダイムは、断片化された構造的推論、限定されたクロスグラフ依存性モデリング、およびサブグラフ間の予測の欠如に悩まされている。 本稿では、知識グラフの補完を潜在空間グラフ生成として再構成する、新しいTSP用遅延生成フレームワークであるLatentDiffを提案する。 latentDiffはまず、関係認識型残留量子化知識グラフオートエンコーダを用いてコンパクトな潜伏表現を学習し、グラフ全体を関係認識型潜伏埋め込みに符号化し、チャンクされた残留符号ブックで量子化し、分解された復号器を通して三重項を再構成する。 この潜伏空間上には、観測された潜伏グラフの表現が観測された潜伏グラフに向かって摂動する観測アンコールされた潜伏グラフ拡散モデルを導入する。 逆のプロセスは、進行性潜在性認知を通じて欠落した三重項を回復する。 3つのベンチマークデータセットの実験では、LatentDiffは平均5.4ポイントのF_{tsp}でSOTAを上回っている。 コード:https://anonymous.4open.science/r/LKGDiff-44A5。

関連論文リスト

• When Edge Independence Fails: Joint Graph Diffusion with Latent Sociability Priors [12.61819939182746]
  本稿では、LSP(Latent Sociability Prior)と、遅延ノードの社会性変数とグラフ構造を共進化させる結合拡散プロセスを紹介する。 既存の潜在グラフ拡散法とは異なり、社会性機構は複雑なエンコーダを必要としない。
  論文  参考訳（メタデータ） (2026-10-09T15:50:48Z)
• LADDER: Graph-Guided Diffusion Language Models for Efficient Multi-Hop Reasoning [23.186936391268773]
  LADDERはグラフ誘導並列デコーディングを通じてGraphRAGで拡散言語モデリングをブリッジする新しいフレームワークである。 LADDERは平均一致率を39.6%から45.2%に引き上げ,4.1倍の遅延低減を実現している。
  論文  参考訳（メタデータ） (2026-09-21T09:41:07Z)
• One Pass for All: A Discrete Diffusion Model for Knowledge Graph Triple Set Prediction [32.6783260286596]
  知識グラフ(KG)はトリプルで構成されており、知識グラフ補完(KGC)の目標は、欠落した事実のトリプルを推測することである。 より現実的なタスクとして、トリプルセット予測(TSP)タスクは、観測された知識グラフにのみ条件付き三重項の集合を推測することを目的としている。 提案手法は,3つの公開データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-04-20T14:41:47Z)
• Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
  拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。 本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。 提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
  論文  参考訳（メタデータ） (2024-09-13T02:23:55Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Leveraging Graph Diffusion Models for Network Refinement Tasks [72.54590628084178]
  本稿では,グラフ拡散に基づく新しいグラフ生成フレームワークSGDMを提案する。 我々のフレームワークはグラフ拡散モデルのスケーラビリティと忠実度を向上するだけでなく、逆プロセスを利用して新しい条件付き生成タスクを実行する。
  論文  参考訳（メタデータ） (2023-11-29T18:02:29Z)
• Repurposing Knowledge Graph Embeddings for Triple Representation via Weak Supervision [77.34726150561087]
  現在の方法では、事前訓練されたモデルからの実体と述語埋め込みを使わずに、スクラッチから三重埋め込みを学習する。 本研究では,知識グラフからトリプルを自動抽出し,事前学習した埋め込みモデルからそれらのペアの類似性を推定する手法を開発した。 これらのペアの類似度スコアは、細い三重表現のためにシームズ様のニューラルネットワークに供給される。
  論文  参考訳（メタデータ） (2022-08-22T14:07:08Z)
• Auto-decoding Graphs [91.3755431537592]
  生成モデルは、潜在コードからグラフを合成することを学ぶ自動デコーダである。 グラフは、おそらく接続パターンを特定するためにトレーニングされた自己アテンションモジュールを使用して合成される。
  論文  参考訳（メタデータ） (2020-06-04T14:23:01Z)

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。