[論文レビュー] Schema-Guided Event Graph Completion

Hongwei Wang, Zixuan Zhang+6 more|arXiv (Cornell University)|Jun 6, 2022

Complex Network Analysis Techniques被引用数 5

ひとこと要約

本稿では、イベントスキーマをテンプレートとして用いることで、不完全なイベントグラフにおける欠落したイベントノードを予測する新規手法、Schema-Guided Event Graph Completion (SchemaEGC) を提案する。スキーマガイドドな部分グラフマッチングと、近隣ノードおよび接続経路を用いた局所トポロジーのモデリングにより、4つのデータセットにおいてベースライン比4.3%〜19.4%の絶対的F1スコア向上を達成し、最先端の性能を実現した。

ABSTRACT

We tackle a new task, event graph completion, which aims to predict missing event nodes for event graphs. Existing link prediction or graph completion methods have difficulty dealing with event graphs because they are usually designed for a single large graph such as a social network or a knowledge graph, rather than multiple small dynamic event graphs. Moreover, they can only predict missing edges rather than missing nodes. In this work, we propose to utilize event schema, a template that describes the stereotypical structure of event graphs, to address the above issues. Our schema-guided event graph completion approach first maps an instance event graph to a subgraph of the schema graph by a heuristic subgraph matching algorithm. Then it predicts whether a candidate event node in the schema graph should be added to the instantiated schema subgraph by characterizing two types of local topology of the schema graph: neighbors of the candidate node and the subgraph, and paths that connect the candidate node and the subgraph. These two modules are later combined together for the final prediction. We also propose a self-supervised strategy to construct training samples, as well as an inference algorithm that is specifically designed to complete event graphs. Extensive experimental results on four datasets demonstrate that our proposed method achieves state-of-the-art performance, with 4.3% to 19.4% absolute F1 gains over the best baseline method on the four datasets.

研究の動機と目的

• 既存のグラフ補完手法が、小規模で動的なイベントグラフにおけるノードの欠落予測ができないという限界を解消すること。
• グラフに存在しない新しいイベントノードを検出できないリンク予測手法の限界を克服すること。
• ステレオタイプ的なイベント構造の抽象的テンプレートであるイベントスキーマを、イベントグラフ補完のための構造的・意味的知識の源として活用すること。
• 訓練サンプル生成のための自己教師付き戦略と、イベントグラフ補完に特化した推論アルゴリズムの開発。
• 現実世界のイベントグラフシナリオにおけるスキーマノイズに対するモデルの説明可能性とロバスト性の向上。

提案手法

• 不完全なインスタンスイベントグラフをスキーマグラフの部分グラフにマッピングする2段階のヒューリスティック部分グラフマッチングアルゴリズムを採用し、正確なマッチングに比べて計算コストを低減する。
• スキーマグラフにおける2種類の局所トポロジーをモデル化する：候補ノードの周辺構造と、インスタンス化された部分グラフへの接続経路。
• GNNベースの近隣モジュールは、学習可能なリードアウト関数と複数のGNN層を用いて、部分グラフに対する候補ノードのトポロジカルコンテキストを符号化する。
• パスベースのモジュールは、異なる長さの経路をモデル化することで高階層の構造的関係を捉え、設定可能な最大パス長とパスタイプを備える。
• 近隣モジュールとパスモジュールは要素ごとの連結と最終分類器を介して統合され、候補ノードがインスタンスグラフに追加されるべきかどうかを予測する。
• 自己教師付き戦略により、スキーマグラフのノードをマスキングし、モデル自身の予測を用いて合成的な補完タスクを生成することで、ネガティブおよびポジティブな訓練サンプルを生成する。

実験結果

リサーチクエスチョン

• RQ1 小規模で不完全なイベントグラフにおいて、イベントスキーマを効果的に利用して欠落したイベントノードを予測できるか？
• RQ2 具体的に近隣ノードと接続経路という局所的トポロジカル構造を活用することで、イベントグラフ補完の精度をどのように向上させられるか？
• RQ3 提案手法は、既存のリンク予測およびグラフ補完ベースラインに対して、どの程度優れているか？
• RQ4 スキーマグラフにおけるノイズに対して、モデルの耐性はどの程度で、予測の説明可能性は維持されるか？
• RQ5 完全にラベル付けされたデータが不要な状況でも、自己教師付き訓練戦略が意味のある補完サンプルを効果的に生成できるか？

主な発見

• 提案手法のSchemaEGCは、4つの現実世界のイベントグラフデータセットにおいて最先端の性能を達成し、最良のベースライン手法比でF1スコアが4.3%〜19.4%の絶対的向上を示した。
• パスベースのモジュール（SchemaEGC-Path）は、最大パス長やパスタイプといったハイパーパrameterに対して高い感受性を示しており、構造的パスの品質に強く依存していることが示された。
• 近隣ベースのモジュール（SchemaEGC-Neighbor）は、異なるGNNタイプ、リードアウト関数、層数に関わらず安定した性能を示しており、アーキテクチャの選択に対してロバストであることが示された。
• モデルはスキーマグラフ内のノイズに対して高い耐性を示し、スキーマに誤りや不完全な情報が含まれても、依然として優れた性能を維持した。
• アブレーションスタディにより、近隣およびパスモデリングの両コンポーネントが最終予測に顕著な寄与をしていることが確認され、特にパスモジュールがF1スコアの向上に最も寄与した。
• 自己教師付き訓練戦略は、完全にアノテートされた補完データが不要な状況でも、高品質な合成訓練サンプルを効果的に生成でき、モデルの一般化性能を高めることができた。