AdaRPT: An Adaptive Rule Pattern Transfer Model for Fully Inductive Knowledge Graph Reasoning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Knowledge graph reasoning (KGR) is a key technology that infers missing facts in knowledge graphs (KGs). Given that real-world scenarios typically encounter unseen KGs with new entities and new relations, researchers have begun to explore fully inductive KGR methods. This setting presents greater challenges and has not been fully explored. Current methods primarily construct relation graphs based on the original KG to facilitate message passing between relations. These models have made significant progress in achieving fully inductive reasoning. However, as relation graphs focus solely on the co-occurrence patterns between relations, they often fail to capture reasoning patterns in KGs, which causes the model to struggle in effectively distinguishing between different relations and entities. This limitation severely restrict the reasoning capabilities of existing methods. In light of this, we propose the Adaptive Rule Pattern Transfer model (AdaRPT) for KGR. It aims to leverage logical rules for each relation in the KG to learn more comprehensive and transferable knowledge representations for entities and relations. For entities, we design a non-parameter message passing model that aggregates path information from the query entity to other entities. The path information for each entity is then matched with rules to obtain the transferable feature of each entity. And for relations, we extract both reasoning and co-occurrence patterns from KGs as transferable relation features. Finally, a path-based graph neural network (GNN) is employed on the transferable features of entities and relations to perform reasoning on KGs. Extensive experimental evaluations on 43 datasets for both inductive and transductive reasoning demonstrate the effectiveness and generalization capability of AdaRPT.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle