Double Permutation Equivariance for Knowledge Graph Completion

要約

タイトル: Knowledge Graph CompletionのためのDouble Permutation Equivariance

要約:
– Knowledge Graphs (KGs)を新しいグラフのクラスとして、ノードとペアワイズ表現がノードIDとエッジ属性（関係とノードの特徴量）の両方の順列に対して同型であるような、ダブルエクスチェンジャブル属性グラフとして形式化する。
– Double-permutation equivariant KG表現は、KGsにおける新しい研究方向を開く。
– この同型性は、論理的推論タスクを行うためにニューラルネットワークが可複雑な構造表現を持つ関係を作成する。
– 最後に、この同型表現のための一般的な設計図を紹介し、WN18RR、FB237、NELL995のKG構成のHits@10テスト精度において最先端の精度を実現する簡単なGNNベースのdouble-permutation-equivariant Neural Architectureをテストし、既存のメソッドが行えなかった論理的推論タスクを正確に実行することができる。

要約(オリジナル)

This work provides a formalization of Knowledge Graphs (KGs) as a new class of graphs that we denote doubly exchangeable attributed graphs, where node and pairwise (joint 2-node) representations must be equivariant to permutations of both node ids and edge (& node) attributes (relations & node features). Double-permutation equivariant KG representations open a new research direction in KGs. We show that this equivariance imposes a structural representation of relations that allows neural networks to perform complex logical reasoning tasks in KGs. Finally, we introduce a general blueprint for such equivariant representations and test a simple GNN-based double-permutation equivariant neural architecture that achieve state-of-the-art Hits@10 test accuracy in the WN18RR, FB237 and NELL995 inductive KG completion tasks, and can accurately perform logical reasoning tasks that no existing methods can perform, to the best of our knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI