Link Prediction with Relational Hypergraphs

要約

ナレッジ グラフを使用したリンク予測は、グラフ機械学習において徹底的に研究されており、成功したアプリケーションを備えたグラフ ニューラル ネットワーク アーキテクチャの豊かな景観につながっています。
それにもかかわらず、これらのアーキテクチャの成功をリレーショナル ハイパーグラフに移すことは依然として困難です。リレーショナル ハイパーグラフでは、リンク予測のタスクは $k$ 項関係を対象とし、ナレッジ グラフによるリンク予測よりも大幅に困難です。
この論文では、リレーショナル ハイパーグラフを使用したリンク予測のフレームワークを提案し、グラフ ニューラル ネットワークの完全なリレーショナル構造への応用を可能にします。
理論的には、対応するリレーショナル Weisfeiler-Leman アルゴリズムおよび論理的表現力を通じて、結果として得られるモデル アーキテクチャの表現力の徹底的な分析を実行します。
さまざまなリレーショナル ハイパーグラフ ベンチマークで、提案されたモデル アーキテクチャの能力を経験的に検証します。
結果として得られるモデル アーキテクチャは、帰納的リンク予測のすべてのベースラインを大幅に上回り、トランスダクティブ リンク予測の最先端の結果をもたらします。

要約(オリジナル)

Link prediction with knowledge graphs has been thoroughly studied in graph machine learning, leading to a rich landscape of graph neural network architectures with successful applications. Nonetheless, it remains challenging to transfer the success of these architectures to relational hypergraphs, where the task of link prediction is over $k$-ary relations, which is substantially harder than link prediction with knowledge graphs. In this paper, we propose a framework for link prediction with relational hypergraphs, unlocking applications of graph neural networks to fully relational structures. Theoretically, we conduct a thorough analysis of the expressive power of the resulting model architectures via corresponding relational Weisfeiler-Leman algorithms and also via logical expressiveness. Empirically, we validate the power of the proposed model architectures on various relational hypergraph benchmarks. The resulting model architectures substantially outperform every baseline for inductive link prediction, and lead to state-of-the-art results for transductive link prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google