論文の概要: Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2001.02332v1
• Date: Wed, 8 Jan 2020 01:19:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-01-13 10:08:54.217803
• Title: Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs
• Title（参考訳）: 知識グラフのための生成的逆ゼロショット関係学習
• Authors: Pengda Qin, Xin Wang, Wenhu Chen, Chunyun Zhang, Weiran Xu, William Yang Wang
• Abstract要約: 我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
• 参考スコア（独自算出の注目度）: 96.73259297063619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale knowledge graphs (KGs) are shown to become more important in current information systems. To expand the coverage of KGs, previous studies on knowledge graph completion need to collect adequate training instances for newly-added relations. In this paper, we consider a novel formulation, zero-shot learning, to free this cumbersome curation. For newly-added relations, we attempt to learn their semantic features from their text descriptions and hence recognize the facts of unseen relations with no examples being seen. For this purpose, we leverage Generative Adversarial Networks (GANs) to establish the connection between text and knowledge graph domain: The generator learns to generate the reasonable relation embeddings merely with noisy text descriptions. Under this setting, zero-shot learning is naturally converted to a traditional supervised classification task. Empirically, our method is model-agnostic that could be potentially applied to any version of KG embeddings, and consistently yields performance improvements on NELL and Wiki dataset.
• Abstract（参考訳）: 大規模知識グラフ(KG)は、現在の情報システムにおいてより重要になる。 KGのカバー範囲を広げるためには、知識グラフの補完に関するこれまでの研究は、新たに追加された関係のための適切なトレーニングインスタンスを収集する必要がある。 本稿では,この厄介なキュレーションを解き放つために,新しい定式化であるゼロショット学習を考える。 新たに加えた関係について,テキスト記述から意味的特徴を学習し,見つからない関係の事実を実例なく認識しようとする。 この目的のために、gans(generative adversarial network)を利用して、テキストと知識グラフドメイン間の接続を確立する。 この設定下では、ゼロショット学習は自然に従来の教師付き分類タスクに変換される。 実験的に,本手法はモデルに依存しないため,任意のバージョンのKG埋め込みに適用可能であり,NELLおよびWikiデータセットの性能改善を一貫して達成できる。

関連論文リスト

• Knowledge Graph Enhanced Generative Multi-modal Models for Class-Incremental Learning [51.0864247376786]
  学習過程を通じて進化する知識グラフを構築する知識グラフ強化多モードモデル(KG-GMM)を導入する。 テスト中,生成されたテキスト内の関係を解析し,特定のカテゴリを特定する知識グラフ拡張推論手法を提案する。
  論文  参考訳（メタデータ） (2025-03-24T07:20:43Z)
• Inference over Unseen Entities, Relations and Literals on Knowledge Graphs [1.7474352892977463]
  知識グラフ埋め込みモデルは、様々な課題に対処するために、トランスダクティブな設定でうまく適用されている。 本稿では、エンティティとリレーションのバイトペアエンコードされたサブワード単位のシーケンスから三重埋め込みを構築するための注意的バイトペアエンコーディング層(BytE)を提案する。 BytEは、知識グラフの埋め込みモデルに、エンティティやリレーションではなくサブワード単位の埋め込みを学習させるため、重み付けによる大規模な機能の再利用につながる。
  論文  参考訳（メタデータ） (2024-10-09T10:20:54Z)
• Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
  本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。 KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。 KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-12-18T06:41:23Z)
• Rule-Guided Joint Embedding Learning over Knowledge Graphs [6.831227021234669]
  本稿では,コンテキスト情報とリテラル情報の両方を実体と関係埋め込みに組み込んだ新しいモデルを提案する。 文脈情報については,信頼度と関連度を指標として重要度を評価する。 2つの確立されたベンチマークデータセットに対して、徹底的な実験を行い、モデル性能を検証する。
  論文  参考訳（メタデータ） (2023-12-01T19:58:31Z)
• KGLM: Integrating Knowledge Graph Structure in Language Models for Link Prediction [0.0]
  我々は、異なるエンティティと関係型を区別することを学ぶ新しいエンティティ/リレーション埋め込み層を導入する。 知識グラフから抽出したトリプルを用いて、この追加埋め込み層を用いて言語モデルをさらに事前学習し、続いて標準微調整フェーズにより、ベンチマークデータセット上のリンク予測タスクに対して、新しい最先端のパフォーマンスが設定されることを示す。
  論文  参考訳（メタデータ） (2022-11-04T20:38:12Z)
• I Know What You Do Not Know: Knowledge Graph Embedding via Co-distillation Learning [16.723470319188102]
  知識グラフの埋め込みは、実体と関係のベクトル表現を学習しようとする。 近年の研究では、事前学習された言語モデルを用いて、実体や関係のテキスト情報に基づいて埋め込みを学習している。 我々は,グラフ構造とテキスト情報の補完を利用するKG Embeddingの共蒸留学習手法であるCoLEを提案する。
  論文  参考訳（メタデータ） (2022-08-21T07:34:37Z)
• BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from Pretrained Language Models [65.51390418485207]
  本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。 関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。 我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
  論文  参考訳（メタデータ） (2022-06-28T19:46:29Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Knowledge Graph Completion with Text-aided Regularization [2.8361571014635407]
  知識グラフ補完は、可能なエンティティを推定することによって知識グラフ/ベースを拡張するタスクである。 従来のアプローチは主に、グラフ固有の既存のグラフィカル情報の使用に重点を置いている。 我々は、既存のkg埋め込みフレームワークがより良い予測結果に達するのを助けるために、抽出または生のテキスト情報を使用する多くの方法を試みる。
  論文  参考訳（メタデータ） (2021-01-22T06:10:09Z)
• JAKET: Joint Pre-training of Knowledge Graph and Language Understanding [73.43768772121985]
  本稿では,知識グラフと言語の両方をモデル化する新しい事前学習フレームワークであるJAKETを提案する。 知識モジュールと言語モジュールは相互に支援するための重要な情報を提供する。 我々の設計により、事前学習されたモデルは、新しいドメインの見知らぬ知識グラフに容易に適応できる。
  論文  参考訳（メタデータ） (2020-10-02T05:53:36Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。