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予測とリレーショナル ハイパーグラフのリンクに移すことは依然として困難です。
リレーショナル ハイパーエッジの存在により、さまざまな $k$ の選択に対する $k$ ノード間のリンク予測がタスクになります。これは、すべての関係が 2 値 ($k=2$) であるナレッジ グラフによるリンク予測よりも大幅に困難になります。
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ための 2 つのフレームワークを提案し、対応するリレーショナル Weisfeiler-Leman アルゴリズムおよびいくつかの自然な論理形式を介して、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。
広範な実証分析を通じて、さまざまなリレーショナル ハイパーグラフ ベンチマークにおける提案されたモデル アーキテクチャの能力を検証します。
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。
したがって、私たちの研究は、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。

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 link prediction with relational hypergraphs. The presence of relational hyperedges makes link prediction a task between $k$ nodes for varying choices of $k$, which is substantially harder than link prediction with knowledge graphs, where every relation is binary ($k=2$). In this paper, we propose two frameworks for link prediction with relational hypergraphs and conduct a thorough analysis of the expressive power of the resulting model architectures via corresponding relational Weisfeiler-Leman algorithms, and also via some natural logical formalisms. Through extensive empirical analysis, 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. Our study therefore unlocks applications of graph neural networks to fully relational structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google