Beyond Triplet Plausibility: Relation Set Completion in Knowledge Graphs
원문 초록
Knowledge graphs (KGs) organize real-world knowledge as triplets and underpin many downstream applications. Due to their inherent incompleteness, knowledge graph completion (KGC) is widely studied and is typically formulated as triplet prediction, with link prediction as the dominant paradigm. However, this formulation focuses on the incompleteness of triplet-wise information and overlooks the incompleteness of entity-relation compatibility information. To address this limitation, we introduce a relation set completion task (RSC), which complements the link prediction task and aims to reason about missing relations that are semantically compatible with a given entity. We further propose a Relation Set Embedding model (RelSetE), which models latent patterns among the observed relations of entities to infer missing ones. To evaluate RelSetE, we derive three benchmark datasets from standard KG benchmarks. Extensive experiments demonstrate that RelSetE effectively captures entity-relation compatibility patterns and performs favorably in inferring missing relations of entities. Code and data are publicly available.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.29860v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Knowledge Graph Embedding via Graph Attenuated Attention Networks
다중 도메인 지식 그래프 완성을 위한 조건부 디퓨전 기반 지식 전이
Conditional Diffusion Guided Knowledge Transfer for Multi-Domain Knowledge Graph Completion
다중 도메인 지식 그래프 완성(MKGC)은 다른 보조 지식 그래프(KG)로부터 지식을 전이하여 대상 KG의 누락된 트리플 예측을 개선하는 것을 목표로 한다. 기존 방법들은 일반적으로 KG 간 동등 엔티티에 일관성 제약을 적용하여 지식을 전이하는데, 이는 엔티티의 도메인 특화 문맥 정보를 억제할 위험이 있다. 이러한 설계는 모든 KG 도메인의 엔티티 표현 정보를 손상시켜, 특히 저자원 데이터 환경에서 성능 향상을 저해할 수 있다. 이를 해결하기 위해, 우리는 MKGC를 위한 생성 기반 패러다임을 최초로 제안하고, 조건부 디퓨전 기반 지식 전이 프레임워크인 DMKGC를 제안한다. 우리의 핵심 아이디어는 각 KG를 엔티티 전체 정보의 부분적 관점으로 간주하고, 보조 KG를 조건으로 하는 디퓨전 모델을 통해 정보가 풍부한 도메인 일반 엔티티 임베딩을 생성하는 것이다. 구체적으로, 먼저 도메인 무관 엔티티 임베딩을 사전 엔티티 임베딩으로 초기화한 후 개별 KG 내에서 이를 인코딩한다. 이후 보조 KG로부터 동등 엔티티를 융합하여 조건부 디퓨전 생성 가이던스로 활용한다. 사전 엔티티 임베딩을 대리 생성 목표로 사용함으로써 이 조건부 생성이 특정 조건 KG에 편향되지 않도록 보장한다. 동시에, 생성된 임베딩이 KG 전반에 걸쳐 예측력을 갖도록 학습하여 도메인 특화 정보를 보존한다. 3개 벤치마크의 14개 KG에 대한 광범위한 실험을 통해 꼬리 엔티티 예측에서 최신 방법 대비 평균 MRR 4.3% 향상을 달성하였으며, 저자원 데이터 환경에서도 지속적인 성능 향상을 보였다.
지식 베이스 완성을 위한 충실성 기준의 위계
A hierarchy of faithfulness criteria for knowledge base completion
지식 그래프 완성은 관찰된 트리플을 무작위로 손상시킨 트리플보다 높게 순위 매기는 방식으로 평가되며, 이는 관찰되지 않은 모든 사실을 거짓으로 취급한다. 완성 대상이 단순 그래프가 아니라 기술 논리(description logic) 지식 베이스일 때, 개방 세계 가정(open world assumption)과 연역적 폐쇄(deductive closure) 때문에 이 방식은 부적절하다. 지식 베이스에 상대적으로 후보 공리는 함의(entailed)되거나, 모순(contradictory)이거나, 미정(undetermined)이며, 논리적으로 불가능한 공리와 그럴듯한 새로운 공리를 구분하지 못하는 모델은 단순히 정확도가 낮은 것이 아니라 의미론적으로 올바르지 않다. 우리는 지식 베이스 완성 모델이 논리적으로 충실(logically faithful)하다는 것이 무엇을 의미하는지, 그리고 현재 임베딩 모델이 그런지를 묻는다. 판별(discrimination), 논리적 허용 가능성(logical admissibility), 단조 논리적 충실성(monotonic logical faithfulness), 확률적 논리적 충실성(probabilistic logical faithfulness)이라는 네 가지 점점 더 엄격한 기준의 위계를 정의하고, 이들이 함의의 엄격한 연쇄를 이룸을 증명한다. 가장 엄격한 기준을 상대 모델 개수 $P(\alpha\mid\mathcal{O}) = \#(\mathcal{O}\cup\{\alpha\})/\#(\mathcal{O})$에 기반시키며, 이는 양 끝점에서 삼분법(trichotomy)을 복원하고 그 사이에서 미정 공리들의 순위를 매긴다. 추론기(reasoner)로 생성한 함의·모순·미정 테스트 집합을 사용하여 $\mathcal{EL}$ 온톨로지에서 지식 그래프 및 논리-기하 임베딩 모델을 평가한 결과, 순위 정확도가 논리적 충실성을 함의하지 않으며 평가된 모델 중 어느 것도 위계 전반에 걸쳐 충실하지 않음을 확인한다. 코드는 https://github.com/bio-ontology-research-group/kbc 에서 이용할 수 있다.
지식 그래프와 그래프 신경망의 만남: 종합 서베이
Knowledge Graphs Meet Graph Neural Networks: A Comprehensive Survey
그래프 신경망(GNN)은 그래프 구조 데이터를 모델링하는 고유한 능력으로 인해 지식 그래프(KG) 분야에서 강력한 패러다임으로 부상하였다. 그러나 지식 그래프 기술 파이프라인 전반에 걸친 GNN 기반 방법론에 대한 체계적인 리뷰는 아직 부족한 실정이다. 이러한 공백을 해소하기 위해, 본 논문에서는 GNN 기반 지식 그래프 기술에 대한 새로운 2단계 분류 체계를 제안한다: KG 기술 파이프라인 관점과 GNN 기반 관점이 그것이다. 구체적으로, 지식 그래프 기술 파이프라인은 지식 그래프 구축, 지식 그래프 임베딩, 지식 추론, 지식 그래프 응용을 포함한다. 한편, GNN 기반 관점은 GCN, GAT, HGNN 등의 GNN 모델을 활용하여 지식 그래프 기술을 새롭게 범주화한다. 이어서 지식 그래프 생애주기 내 다양한 태스크의 특성에 기반하여 GNN 기술의 이점을 분석한다. 나아가 제안된 분류 체계에 따라 지식 그래프를 위한 다양한 GNN 기반 모델을 상세히 검토하고, 각각의 강점과 한계를 정리한다. 마지막으로, 아직 해결되지 않은 과제들을 논의하고 향후 연구를 위한 유망한 방향을 제시한다.
MKGR: Multimodal Knowledge-Graph Representation Learning for Cold-Start Protein-Protein Interaction Prediction
Measuring Graph-to-Graph Semantic Similarity in Knowledge Graphs: An Empirical Evaluation of Knowledge Graph Embeddings
토론
이 논문과 연결된 포럼 글이 아직 없습니다.